【OpenCV图像处理8】图像轮廓

八、图像轮廓

1、什么是图像轮廓

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的检测和识别中很有用。

图像轮廓的作用：

• 图形分析
• 物体的检测和识别

注意点：

• 为了检测的准确性，需要先对图像进行二值化或Canny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到其他变量中。

2、查找轮廓

findContours()用法：

cv2.findContours(image, mode, method, contours, hierarchy, offset)

参数说明：

• mode：查找轮廓的模式

  • RETR_EXTERNAL= 0，表示只检测外围轮廓 。

  

  • RETR_LIST = 1，检测的轮廓不建立等级关系，即检测所有轮廓。

  

  • RETP_CCOMP = 2，每层最多两级，从小到大，从里到外。

  

  • RETP_TREE = 3，按照树型存储轮廓，从小到大，从右到左。

  

• method：轮廓近似方法，也叫ApproximationMode

  • CHAIN_APPROX_NONE：保存所有轮廓上的点
  • CHAIN_APPROX_SIMPLE：只保存角点。比如四边形，只保留四边形的四个角，存储信息少，比较常用。

• 返回 contours 和 hierarchy ，即轮廓和层级。

代码实现：

import cv2

# 该图像显示效果是黑白的，但是实际上却是3个通道的彩色图像
img = cv2.imread('../resource/draw.png')

# 变成单通道的黑白图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，注意有两个返回值，阈值和结果
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)

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

# 轮廓查找，新版本返回：轮廓、层级；老版本返回：图像、轮廓和层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 打印轮廓
print(contours)

cv2.waitKey(0)
cv2.destroyAllWindows()

(array([[[356, 211]],
       [[355, 212]],
      ...
       [[370, 212]],
       [[369, 211]]], dtype=int32), array([[[273, 211]],
      ...

3、绘制轮廓

drawContours()用法：

cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)

参数说明：

• image：要绘制的轮廓图像
• contours：轮廓点
• contourIdx：要绘制的轮廓的编号，-1 表示绘制所有轮廓
• color：轮廓的颜色，如 (0, 0, 255) 表示红色
• thickness：线宽，-1表示全部填充

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/draw.png')
img_copy = img.copy()
gray = cv2.cvtColor(img_copy, cv2.COLOR_BGR2GRAY)

# 阈值 结果
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓 层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)

cv2.imshow('img', np.hstack((img, img_copy)))
cv2.waitKey(0)
cv2.destroyAllWindows()

4、轮廓的面积和周长

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，进而可以识别不同的物体。

在查找轮廓后，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。

contourArea()用法： 面积

cv2.contourArea(contour, oriented)

参数说明：

• contour：轮廓

arcLength()用法： 周长

cv2.arcLength(curve, closed)

参数说明：

• curve：轮廓
• closed：是否为闭合的轮廓

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/draw.png')
img_copy = img.copy()
gray = cv2.cvtColor(img_copy, cv2.COLOR_BGR2GRAY)

# 阈值 结果
thresh, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 轮廓 层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img_copy, contours, 1, (0, 0, 255), 2)
# 轮廓面积
area = cv2.contourArea(contours[1])
print('area:', area)
# 轮廓周长
perimeter = cv2.arcLength(contours[1], closed=True)
print('perimeter:', perimeter)

cv2.imshow('img', np.hstack((img, img_copy)))
cv2.waitKey(0)
cv2.destroyAllWindows()

area: 68542.0
perimeter: 1095.6568541526794

5、多边形逼近

findContours 后的轮廓信息 contours 可能过于复杂不平滑，可以用 approxPolyDP 函数对该多边形曲线做适当近似，这就是轮廓的多边形逼近。

approxPolyDP 就是以多边形去逼近轮廓，采用的是 Douglas-Peucker（方法名中的DP）。

DP算法原理比较简单，核心就是不断找多边形最远的点加入，形成新的多边形，直到最短距离小于指定的精度。

approxPolyDP()用法：

cv2.approxPolyDP(curve, epsilon, closed, approxCurve)

参数说明：

• curve：要近似逼近的轮廓
• epsilon：即DP算法使用的阈值
• closed：轮廓是否闭合

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/hand.webp')
img_ori = img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化：阈值 结果
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓 轮廓 层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img, contours, 1, (0, 0, 255), 2)
# 多边形逼近
approx = cv2.approxPolyDP(contours[1], 10, True)
# 把多边形逼近的轮廓画出来
cv2.drawContours(img, [approx], -1, (0, 255, 0), 2)

cv2.imshow('hand', np.hstack((img_ori, img)))
cv2.waitKey(0)
cv2.destroyAllWindows()

6、凸包

多边形逼近是轮廓的高度近似，但有些时候，我们希望使用一个多边形的凸包来简化它。

凸包和多边形逼近很类似，只不过它是物体最外层的凸多边形。

凸包指的是完全包含原有轮廓，并且仅由轮廓上的点所构成的多边形。凸包上的每一处都是凸的，即在凸包内连接任意两点的直线都在凸包的内部。在凸包内，任意连续三个点的内角小于180°。

convexHull()用法：

cv2.convexHull(points, hull, clockwise, returnPoints)

参数说明：

• points：轮廓
• clockwise：顺时针绘制

代码实现：

import cv2
import numpy as np

img = cv2.imread('../resource/hand.webp')
img_ori = img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化：阈值 结果
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓 轮廓 层级
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
cv2.drawContours(img, contours, 1, (0, 0, 255), 2)
# 多边形逼近
approx = cv2.approxPolyDP(contours[1], 10, True)
# 把多边形逼近的轮廓画出来
cv2.drawContours(img, [approx], -1, (0, 255, 0), 2)
# 计算凸包
hull = cv2.convexHull(contours[1])
cv2.drawContours(img, [hull], -1, (255, 0, 0), 2)

cv2.imshow('hand', np.hstack((img_ori, img)))
cv2.waitKey(0)
cv2.destroyAllWindows()

7、外接矩形

外接矩形分为最小外接矩形和最大外接矩形。

下图中，红色部分为最小外接矩形，绿色部分为最大外接矩形：

minAreaRect()用法： 最小外接矩阵

cv2.minAreaRect(points)

• points：轮廓
• 返回元组，内容是一个旋转矩形（RotatedRect）的参数：矩形的起始坐标x，y，矩形的宽度和高度，矩形的旋转角度

boundingRect()用法：最大外接矩阵

cv2.boundingRect(points)

• points：轮廓

代码实现:

import cv2
import numpy as np

img = cv2.imread('../resource/thunder.png')
img_ori = img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化：阈值 结果
ret, binary = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓 轮廓 层级
contours, hierarchy, = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 最小外接矩形
rect = cv2.minAreaRect(contours[1])
box = cv2.boxPoints(rect)
# 四舍五入
box = np.round(box).astype('int64')
# 绘制最小外接矩形
cv2.drawContours(img, [box], 0, (255, 0, 0), 2)

# 最大外接矩形
x, y, w, h = cv2.boundingRect(contours[1])
cv2.rectangle(img, (x, y), (x + w, y + h), (0, 0, 255), 2)

cv2.imshow('hand', np.hstack((img_ori, img)))
cv2.waitKey(0)
cv2.destroyAllWindows()