findContours、minAreaRect、boxPoints、boundingRect与drawContours使用说明

findContours、minAreaRect、boxPoints、boundingRect与drawContours使用说明

一、findContours查找轮廓函数

用法：cnt, hierarchy = cv2.findContours( 图 , 检索模式 , 轮廓近似办法 )

1. 检索模式：

• cv2.RETR_EXTERNAL:

  只检测外轮廓

• cv2.RETR_LIST:

  检测的轮廓建立等级关系：

  ​ 外轮廓为同一层级 ，同一外轮廓的内轮廓为同一层级
  ​ 双层轮廓顺序基于外轮廓最上像素点Y坐标从大到小排序（图 片的从下到上），若存在Y坐标相同情况下 根据X坐标从大到 小排序（图片的从右到左）
  ​ 若有多个内轮廓，内轮廓排序基于内轮廓最上像素点Y坐标从 大到小排序（图片的从下到上），若存在Y 坐标相同情况下根 据X坐标从大到小排序（图片的从右到左）

• cv2.RETR_TREE ：

  不同层级的轮廓顺序从里到外：

  ​ 同级轮廓根据轮廓最上像素点Y坐标从大到小排序（图片的从 下到上），若存在Y坐标相同情况下根据X坐 标从大到小排序 （图片的从右到左）

  ​ 若一个轮廓内有子轮廓，回先查找该轮廓的所有子轮廓后才会 继续同级轮廓的查找。（有点像深搜）

2.轮廓近似办法：

• cv2.CHAIN_APPROX_NONE：

  存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1

• cv2.CHAIN_APPROX_SIMPLE：

  压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息

3.CNT:

• 一个list，list中每个元素都是图像中的一个轮廓，用numpy中的ndarray（数组）表示。

4.hierarchy：

• 各轮廓之间的关系

• 下面具体解释下hierarchy输出的矩阵参数的意义

  其输出矩矩阵大小为NXM， 其中N为轮廓的个数，M恒等于4，也就是说每一行的4个数，能够表示出轮廓间的相互关系，那么具体是怎样表示的呢

  第一个数：表示同一级轮廓的下个轮廓的编号，如果这一级轮廓没有下一个轮廓，一般是这一级轮廓的最后一个的时候，则为-1

  第二个数：表示同一级轮廓的上个轮廓的编号，如果这一级轮廓没有上一个轮廓，一般是这一级轮廓的第一个的时候，则为-1

  第三个数：表示该轮廓包含的下一级轮廓的第一个的编号，假如没有，则为-1

  第四个数： 表示该轮廓的上一级轮廓的编号，假如没有上一级，则为-1

常用：

from cv2 import cv2
import numpy as np

img = cv2.imread('D:/xxx.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)		#findContours只能检测二值化后的图片

contours,Hierarchy = cv2.findContours(binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)
print (type(contours))  
print (type(contours[0])) 

>>> <class 'list'>				# 第一个返回值类型为list
	<class 'numpy.ndarray'>		# list 的中的每个元素是numpy中的ndarray

二、minAreaRect最小外接矩形函数：

用法：rect = cv2.minAreaRect(cnt)

1. 其中cnt要求最小外接矩形的点集数组或向量，这个点集不定个数。

2. 返回一个Box2D结构rect：

   rect [0] : 矩形中点坐标

   rect [1] [0] : 宽度width

   rect [1] [1] :长度heith

   rect [2] : 旋转角度

其中旋转角度θ是水平轴（x轴）逆时针旋转，与碰到的矩形的第一条边的夹角，且width与height不是按照长短来定义的，而是将这第一条边作为width。

当使用findContours返回的轮廓不止一个时，使用循环得到每个轮廓的最小外接矩形：

for cnt in contours:      
    rect = cv2.minAreaRect(cnt)
	print("中心坐标：", rect[0])
    print("宽度：", rect[1][0])
    print("长度：", rect[1][1])
    print("旋转角度：", rect[2])
    
>>> 中心坐标： ( x1 , y1 )
	宽度： width1
	长度： heith1
	旋转角度： θ1
    中心坐标： ( x2 , y2 )
	宽度： width2
	长度： heith2
	旋转角度： θ2
    ······
    

三、boxPoints获取矩形的四个顶点坐标函数

用法：box = cv2.boxPoints(rect) # 获取矩形四个顶点，浮点型

​ box = np.int0(box) # 取整

但这四个坐标的对应点我们并不明确，对此，可从坐标值的大小特征入手，将四个坐标与矩形的四个顶点匹配：

​ 在opencv的坐标体系下，纵坐标最小的是top_point，纵坐标最大的是bottom_point， 横坐标最小的是 left_point，横坐标最大的是right_point。

box = cv2.boxPoints(rect)
box = np.int0(box)

left_point_x = np.min(box[:, 0])	# 获取四个顶点坐标
right_point_x = np.max(box[:, 0])
top_point_y = np.min(box[:, 1])
bottom_point_y = np.max(box[:, 1])
     
left_point_y = box[:, 1][np.where(box[:, 0] == left_point_x)][0]
right_point_y = box[:, 1][np.where(box[:, 0] == right_point_x)][0]
top_point_x = box[:, 0][np.where(box[:, 1] == top_point_y)][0]
bottom_point_x = box[:, 0][np.where(box[:, 1] == bottom_point_y)][0]
# 上下左右四个点坐标

vertices = np.array([[top_point_x, top_point_y], [bottom_point_x, bottom_point_y], [left_point_x, left_point_y], [right_point_x, right_point_y]])

四、boundingRect最小正矩形函数

用法：x, y, w, h = cv2.boundingRect(cnt)

​ 其中 x，y 为矩形左上角顶点的坐标

​ w，h为矩形的宽和长

for cnt in contours
	x, y, w, h = cv2.boundingRect(cnt)
    print(x)
    print(y)
    print(w)
    print(h)
>>> x1
    y1
    
    w1
    h1
·······

五、drawContours轮廓描绘函数

用法：cv2.drawContours(img , list , a , ( b , g , r ) , thickness )

1. list：表示轮廓的list
2. a :需要绘制的轮廓号， -1 为全部绘制
3. thickness : 厚度，-1 为填充

六、contourArea图像轮廓面积函数

用法：contourArea(contours[cnt],oriented = False)

1.contour:输入二维的向量。

此处可代入一中findContours函数找到的轮廓contours[cnt]

2.oriented:有方向的区域标志。 （可省略）

• true:此函数依赖轮廓的方向（顺时针或逆时针）返回一个已标记区域的值。
• false:默认值。意味着返回不带方向的绝对值。

area = cv2.contourArea(contours[cnt])

print("面积：", rect[0])

>>> 面积：area