OpenCV图像处理——轮廓的面积与弧长计算（C++/Python）

概述

轮廓面积与轮廓周长是图像分析中的两项核心统计特征，它们为理解和量化图像中的形状提供了基础。

1. 轮廓面积：这代表了轮廓所界定区域的像素数量，是衡量区域大小的直接指标。面积的计算结果以像素平方为单位，为我们提供了一个量化的尺度来比较不同物体的相对大小。

2. 轮廓周长：它反映了轮廓边界的总长度，以像素为单位。周长是描述形状复杂度和边界长度的关键参数，对于评估物体的形状和轮廓的平滑度或不规则性至关重要。

通过对这些特征的细致分析，我们能够实现以下目标：

• 物体大小区分：通过比较物体的面积和周长，我们可以区分不同尺寸的物体，筛选出符合特定大小标准的物体。

• 形状识别：不同形状的物体具有独特的面积与周长比。例如，对于正方形，周长与面积的比值是常数，而圆形的周长与面积之间遵循特定的数学关系。

• 几何属性推断：利用面积和周长之间的固定数学关系，我们可以对物体的几何属性进行推断，比如判断物体是否接近于理论的几何形状。

• 异常检测与分析：如果物体的面积与周长比例显著偏离预期，这可能揭示了物体的异常或变形，为进一步的分析提供了线索。

• 模式识别与机器学习：在这些领域中，轮廓的面积和周长可以作为特征向量的一部分，辅助算法进行更准确的物体分类和识别。

OpenCV对轮廓点集计算面积的API函数如下:

double cv::contourArea(
    InputArray 	contour,
    bool oriented = false
)

计算轮廓的面积，其原理是基于格林公式。

参数contour表示输入的轮廓点集
参数oriented默认是false返回的面积是正数，如果方向参数为true表示会根据是顺时针或者逆时针方向返回正值或者负值面积。

OpenCV对轮廓点集计算弧长的API函数如下:

double cv::arcLength(
    InputArray curve,
    bool closed 
)

参数curve表示输入的轮廓点集
参数closed默认表示是否闭合区域

C++实现

#include <iostream>
#include <opencv2/opencv.hpp>

using namespace std;
using namespace cv;

int main() 
{
    Mat src = imread("12.jpg");
    if (src.empty()) 
    {
        cout << "could not load image.." << endl;
    }
    cv::namedWindow("src", 0);
    imshow("src", src);

    // 提取边缘
    Mat binary;
    Canny(src, binary, 80, 160);

    cv::namedWindow("binary", 0);
    cv::imshow("binary", binary);

    // 膨胀
    Mat k = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
    dilate(binary, binary, k);

    // 轮廓发现于绘制
    vector<vector<Point>> contours;
    vector<Vec4i> hierarchy;
    findContours(binary, contours, hierarchy, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point());
    for (size_t t = 0; t < contours.size(); ++t) 
    {
        // 最大外接矩形
        // Rect rect = boundingRect(contours[t]);
        // rectangle(src, rect, Scalar(0, 0, 255));

        // 面积与弧长过滤
        double area = contourArea(contours[t]);
        double curvelen = arcLength(contours[t], true);
        if (area < 100 || curvelen < 100) 
        {
            continue;
        }

        // 最小外接矩形
        RotatedRect rrt = minAreaRect(contours[t]);
        Point2f pts[4];
        rrt.points(pts);

        // 绘制旋转矩形与中心位置
        for (int i = 0; i < 4; ++i) 
        {
            line(src, pts[i % 4], pts[(i + 1) % 4], Scalar(0, 255, 0), 2);
        }
        Point2f cpt = rrt.center;
        circle(src, cpt, 2, Scalar(255, 0, 0), 2);
    }

    cv::namedWindow("contours", 0);
    cv::imshow("contours", src);

    waitKey(0);
    return 0;
}

Python 实现

import cv2 as cv
import numpy as np


def canny_demo(image):
    t = 80
    canny_output = cv.Canny(image, t, t * 2)
    cv.imshow("canny_output", canny_output)
    cv.imwrite("D:/canny_output.png", canny_output)
    return canny_output


src = cv.imread("D:/images/zhifang_ball.png")
cv.namedWindow("input", cv.WINDOW_AUTOSIZE)
cv.imshow("input", src)
binary = canny_demo(src)
k = np.ones((3, 3), dtype=np.uint8)
binary = cv.morphologyEx(binary, cv.MORPH_DILATE, k)

# 轮廓发现
out, contours, hierarchy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
for c in range(len(contours)):
    # x, y, w, h = cv.boundingRect(contours[c]);
    # cv.drawContours(src, contours, c, (0, 0, 255), 2, 8)
    # cv.rectangle(src, (x, y), (x+w, y+h), (0, 0, 255), 1, 8, 0);
    area = cv.contourArea(contours[c])
    arclen = cv.arcLength(contours[c], True)
    if area < 100 or arclen < 100:
        continue
    rect = cv.minAreaRect(contours[c])
    cx, cy = rect[0]
    box = cv.boxPoints(rect)
    box = np.int0(box)
    cv.drawContours(src,[box],0,(0,0,255),2)
    cv.circle(src, (np.int32(cx), np.int32(cy)), 2, (255, 0, 0), 2, 8, 0)


# 显示
cv.imshow("contours_analysis", src)
cv.imwrite("D:/contours_analysis.png", src)
cv.waitKey(0)
cv.destroyAllWindows()