对下面这张图像,计算其近似多边形和凸包。
·hammer.jpg
使用cv2.approxPolyDP()函数计算其近似多边形,其参数列表:
第一个参数为源轮廓。
第二个参数为ε值,它表示源轮廓与近似多边形周长的最大差值(这个值越小,近似多边形与源轮廓越接近)。
第三个参数为布尔标记,它表示这个多边形是否闭合。
使用cv2.convexHull()函数计算其凸包。
Douglas-Peucker算法
在数字化时,要对曲线进行采样,即在曲线上取有限个点,将其变为折线,并且能够在一定程度
上保持原有的形状。
经典的Douglas-Peucker算法步骤如下:
(1)在曲线首尾两点A,B之间连接一条直线AB,该直线为曲线的弦;
(2)得到曲线上离该直线段距离最大的点C,计算其与AB的距离d;
(3)比较该距离与预先给定的阈值threshold的大小,如果小于threshold,则该直线段作为曲线的近似,该段曲线处理完毕。
(4)如果距离大于阈值,则用C将曲线分为两段AC和BC,并分别对两段取信进行1~3的处理。
(5)当所有曲线都处理完毕时,依次连接各个分割点形成的折线,即可以作为曲线的近似。
这个算法要因地制宜,用于图像处理的contour,提取转折点时,要做两点的改进:
(1)因为这个算法的头尾点肯定是存在的,但是contour的头尾点是相邻像素,因此,最后这个点也要设置为false。
(2)因为这个算法是根据点与弦的距离是否超过threshold,因此,还要检测是否存在同一线段上的多个点,如下图:点1 不是转折点,要移出,还要再做处理。
源代码:
import cv2
import numpy as np
img = cv2.pyrDown(cv2.imread("hammer.jpg", cv2.IMREAD_UNCHANGED))
ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 127, 255, cv2.THRESH_BINARY)
black = cv2.cvtColor(np.zeros((img.shape[1], img.shape[0]), dtype=np.uint8), cv2.COLOR_GRAY2BGR)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
for cnt in contours:
epsilon = 0.01 * cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, epsilon, True)
hull = cv2.convexHull(cnt)
cv2.drawContours(black, [cnt], -1, (0, 255, 0), 2)
cv2.drawContours(black, [approx], -1, (255, 255, 0), 2)
cv2.drawContours(black, [hull], -1, (0, 0, 255), 2)
cv2.imshow("hull", black)
cv2.waitKey()
cv2.destroyAllWindows()
运行结果:
参考文献:计算机视觉书籍第二版