OpenCV：07图像轮廓

什么是图形轮廓

图像轮廓是具有相同颜色或灰度的连续点的曲线，轮廓在形状分析和物体检测与识别中很有用处

轮廓的作用：

• 用于图形分析
• 物体的识别与检测

查找轮廓

OpenCV提供的findContours()方法可以通过计算像素梯度来判断出图像的边缘，然后将边缘的点封装成数组返回

注意：

• 为了保证检测的准确性，需要先对图像进行二值化或Canny边缘检测操作
• 画轮廓时会修改输入的图像，如果之后想继续使用原始图像，应该将原始图像存储一份到其他变量中（备份）—— img_copy = img.copy()

关键API：contours,hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]])

利用该函数可以获取轮廓的信息

其中：

• image：被检测的图像，必须是8位单通道二值图像。

  • 如果原始图像是彩色图像，则必须转为灰度图像cv2.cvtColor()，再经过二值化阈值处理cv2.threshold()

• mode：查找轮廓的模式 （写模式名或数字都可以）

  • cv2.RETR_EXTERNAL / 0：表示只检测外围轮廓
    

  • cv2.RETR_LIST / 1：检测的轮廓不建立等级关系（属于同一轮廓线上即为同一级，），即检测所有的轮廓，从右到左，从里到外画轮廓（一般不会出现这么复杂的索引）
    

  • cv2.RETR_CCOMP / 2： 每层最多两级，从小到大，最里到外
    

  • cv2.RETR_TREE / 3：按照树型存储轮廓，从大到小，从右到左 ——> 先从外到内把右边的算完，再算左边的，！最常用！
    

• method：轮廓近似方法，也叫ApproximationMode。总的来说就是如何去保存你的轮廓

  • cv2.CHAIN_APPROX_NONE：保存所有轮廓上的点，会把轮廓上所有像素点的坐标都保存下来，存储信息较大
  • cv2.CHAIN_APPROX_SIMPLE：只保存角点，比如四边形，只保存四边形的四个角，存储信息较少，比较常用
    

返回值：

• contours：检测出所有轮廓的集合，是list类型，可以通过contours[i]（i = 0,1,2...）来调用某一个轮廓，即每一个元素都是某个轮廓的像素坐标数组
• hierarchy：轮廓间的层级关系

# 查找轮廓

import cv2
import numpy as np

# 导入图片 该图片显示是黑白的，实际上是三通道的图像
img = cv2.imread('./contours.jpeg')

# 二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 对比一下原图与灰度图
cv2.imshow('img',img)
cv2.imshow('gray',gray)


# 进行二值化操作（注意！threshold有两个返回值！一个是阈值，一个是二值化处理后的图片）
thresh,temp = cv2.threshold(gray,127,255,cv2.THRESH_BINARY) # 最终二值化的效果会受到阈值（第二个参数thresh）的影响

# 查找轮廓 返回两个结果：轮廓和层级关系
contours,hierarchy = cv2.findContours(temp,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) # （操作目标，操作类型，操作方法）
# 注意 ： contours的类型是列表list，不是ndarray；列表里面才是ndarray，一个ndarray就是一个轮廓

print(type(contours))
print(contours)

# 展示
# cv2.imshow('dst',dst)
# cv2.imshow('img and dst ',np.hstack((gray,dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()

---

绘制轮廓

通过cv2.findContours()方法找到图像轮廓之后，为了方便开发人员观测，最好能把轮廓画出来，于是OpenCV提供了drawContours()方法专门用来绘制这些轮廓

关键API：img = cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]])
其中：

• image：操作的图像，由于我们可以设置轮廓的颜色color，所以就不太适合用二值化或灰度化后的图片进行操作，应该用三通道的彩图进行绘画（原图）
• contours：轮廓点，由查找轮廓的函数cv2.findContours()的返回值可得
• contourIdx：要绘制的轮廓编号，-1表示绘制所有轮廓，此处是索引！因此不能写成contours[]的形式
• color：轮廓的颜色，使用BGR格式，如(0,0,255)表示红色
• thickness：线宽，-1表示全部填充

返回值：

• img：可以不使用，在执行的时候就已经在对参数中的image进行绘制了

# 绘制轮廓

import cv2
import numpy as np

# 导入图片 该图片显示是黑白的，实际上是三通道的图像
img = cv2.imread('./contours.jpeg')

# 二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

cv2.imshow('img',img)
cv2.imshow('gray',gray)


# 进行二值化操作（注意！threshold有两个返回值！一个是阈值，一个是二值化处理后的图片）
thresh,temp = cv2.threshold(gray,127,255,cv2.THRESH_BINARY) # 最终二值化的效果会受到阈值（第二个参数thresh）的影响

# 查找轮廓 返回两个结果：轮廓和层级关系
contours,hierarchy = cv2.findContours(temp,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) # （操作目标，操作类型，操作方法）
# 注意 ： contours的类型是列表list，不是ndarray；列表里面才是ndarray，一个ndarray就是一个轮廓

# 绘制轮廓：会直接修改原图
# 如果想保持原图不变，可以copy一份
img_copy = img.copy()
cv2.drawContours(img_copy,contours,-1,(0,0,255),2) # 会直接对操作的图像进行修改，因此可以不用接受

# 展示
cv2.imshow('img',img)
cv2.imshow('img_copy',img_copy)

cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

如果我们想只画一个轮廓，那么可以根据目标轮廓的层级来绘制（我们使用的是cv2.RETR_TREE：从左到右、从外到内）

例如把参数中的-1改成0

cv2.drawContours(img_copy,contours,0,(0,0,255),2) # 会直接对操作的图像进行修改，因此可以不用接受

结果：

---

计算轮廓的面积和周长

轮廓面积

轮廓面积是指每个轮廓中所有的像素点围成区域的面积，单位为像素

轮廓面积是轮廓重要的统计特性之一，通过轮廓面积的大小可以进一步分析每个轮廓隐含的信息，例如通过轮廓面积区分物体大小、识别不同的物体

在查找到轮廓后，可能会有很多细小的轮廓，我们可以通过轮廓的面积进行过滤（比如小于某一个阈值，就把这个轮廓过滤掉）

关键API：cv2.contourArea(contour[, oriented])

• 参数是countour（不加s，加了s(countours)后表示轮廓的集合）

轮廓周长

关键API：cv2.arcLength(curve, closed)

• curve：轮廓
• closed：是否是闭合的轮廓，为布尔类型，一般设置为closed = True

# 计算轮廓的面积和周长

import cv2
import numpy as np

# 导入图片 该图片显示是黑白的，实际上是三通道的图像
img = cv2.imread('./contours.jpeg')

# 二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

cv2.imshow('img',img)
cv2.imshow('gray',gray)


# 进行二值化操作（注意！threshold有两个返回值！一个是阈