win10+Python3.7.3+OpenCV3.4.1入门学习（十二 图像轮廓）————12.1 查找图像轮廓

Python版本是Python3.7.3，OpenCV版本OpenCV3.4.1，开发环境为PyCharm

（十二）图像轮廓

边缘检测虽然能够检测出边缘，但边缘是不连续的，检测到的边缘并不是一个整体。图像轮廓是指将边缘连接起来形成的一个整体，用于后续的计算。
OpenCV提供了查找图像轮廓的函数cv2.findContours()，该函数能够查找图像内的轮廓信息，而函数cv2.drawContours()能够将轮廓绘制出来。
图像轮廓是图像中非常重要的一个特征信息，通过对图像轮廓的操作，我们能够获取目标图像的大小、位置、方向等信息。

12.1 查找并绘制轮廓

一个轮廓对应着一系列的点，这些点以某种方式表示图像中的一条曲线。在OpenCV中，函数cv2.findContours()用于查找图像的轮廓，并能够根据参数返回特定表示方式的轮廓（曲线）。函数cv2.drawContours()能够将查找到的轮廓绘制到图像上，该函数可以根据参数在图像上绘制不同样式（实心/空心点，以及线条的不同粗细、颜色等）的轮廓，可以绘制全部轮廓也可以仅绘制指定的轮廓。

12.1.1 查找图像轮廓：findContours函数

函数cv2.findContours()的语法格式为：

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

式中的返回值为：
● image：与函数参数中的原始图像image一致。
● contours：返回的轮廓。
● hierarchy：图像的拓扑信息（轮廓层次）。
式中的参数为：
● image：原始图像。8位单通道图像，所有非零值被处理为1，所有零值保持不变。也就是说灰度图像会被自动处理为二值图像。在实际操作时，可以根据需要，预先使用阈值处理等函数将待查找轮廓的图像处理为二值图像。
● mode：轮廓检索模式。
● method：轮廓的近似方法。
函数cv2.findContours()的返回值及参数的含义比较丰富，下面对上述返回值和参数逐一做出说明。

1．返回值image
该返回值与参数image是一致的，就是原始输入图像。在OpenCV 4.X中，该返回值已经被取消。在OpenCV 4.X中，函数cv2.findContours()仅有两个返回值，其语法格式为：

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

2．返回值contours
该返回值返回的是一组轮廓信息，每个轮廓都是由若干个点所构成的。例如，contours[i]是第i个轮廓（下标从0开始）, contours[i][j]是第i个轮廓内的第j个点。
下图所示为提取的轮廓示例，函数cv2.findContours()提取出左图的3个轮廓，每一个轮廓都是由若干个像素点构成的。

下面针对上图来简单介绍一下contours的基本属性。
（1）type属性
返回值contours的type属性是list类陌上花开 21:57:25
型，list的每个元素都是图像的一个轮廓，用Numpy中的ndarray结构表示。
例如，使用如下语句获取轮廓contours的类型：

print (type(contours))

结果为<class ‘list’>。
使用如下语句获取轮廓contours中每个元素的类型：

print (type(contours[0]))

结果为<class ‘numpy.ndarray’>。
（2）轮廓的个数
使用如下语句可以获取轮廓的个数：

print (len(contours))

结果为“3”，表示在上图中，存在3个轮廓。
（3）每个轮廓的点数
每一个轮廓都是由若干个像素点构成的，点的个数不固定，具体个数取决于轮廓的形状。
例如，使用如下语句，可以获取每个轮廓内点的个数：

print (len(contours[0]))     #打印第0个轮廓的长度（点的个数）:4
print (len(contours[1]))     #打印第1个轮廓的长度（点的个数）:60
print (len(contours[2]))     #打印第2个轮廓的长度（点的个数）:184

输出结果如下：

4
60
184

使用如下语句，可以获取每个轮廓内点的shape属性：

print(contours[0].shape)
print(contours[1].shape)
print(contours[2].shape)

输出结果如下：

(4, 1, 2)
(60, 1, 2)
(184, 1, 2)

（4）轮廓内的点
使用如下语句，可以获取轮廓内第0个轮廓中具体点的位置属性：

print (contours[0])   #打印第0个轮廓中的像素点

contours[0]对应着上图中右图左下角矩形轮廓的点，输出结果如下：

    [[[ 79270]]
     [[ 79383]]
     [[195383]]
     [[195270]]]

3．返回值hierarchy
图像内的轮廓可能位于不同的位置。比如，一个轮廓在另一个轮廓的内部。在这种情况下，我们将外部的轮廓称为父轮廓，内部的轮廓称为子轮廓。按照上述关系分类，一幅图像中所有轮廓之间就建立了父子关系。
根据轮廓之间的关系，就能够确定一个轮廓与其他轮廓是如何连接的。比如，确定一个轮廓是某个轮廓的子轮廓，或者是某个轮廓的父轮廓。上述关系被称为层次（组织结构），返回值hierarchy就包含上述层次关系。
每个轮廓contours[i]对应4个元素来说明当前轮廓的层次关系。其形式为：

[Next, Previous, First_Child, Parent]

式中各元素的含义为：
● Next：后一个轮廓的索引编号。
● Previous：前一个轮廓的索引编号。
● First_Child：第1个子轮廓的索引编号。
● Parent：父轮廓的索引编号。
如果上述各个参数所对应的关系为空时，也就是没有对应的关系时，则将该参数所对应的值设为“-1”。
使用print语句可以查看hierarchy的值：

print(hierarchy)

需要注意，轮廓的层次结构是由参数 mode决定的。也就是说，使用不同的mode，得到轮廓的编号是不一样的，得到的hierarchy也不一样。

4．参数image
该参数表示输入的图像，必须是8位单通道二值图像。一般情况下，都是将图像处理为二值图像后，再将其作为image参数使用的。

5．参数mode
参数mode决定了轮廓的提取方式，具体有如下4种：
● cv2.RETR_EXTERNAL：只检测外轮廓。
● cv2.RETR_LIST：对检测到的轮廓不建立等级关系。
● cv2.RETR_CCOMP：检索所有轮廓并将它们组织成两级层次结构。上面的一层为外边界，下面的一层为内孔的边界。如果内孔内还有一个连通物体，那么这个物体的边界仍然位于顶层。
● cv2.RETR_TREE：建立一个等级树结构的轮廓。
下面分别对这四种情况进行简单的说明。
（1）cv2.RETR_EXTERNAL（只检测外轮廓）
例如，在下图中仅检测到两个外轮廓，轮廓的序号如图中的数字标注所示。

使用print语句可以查看hierarchy的值：

    print(hierarchy)
     [[[ 1-1-1-1]
      [-1  0-1-1]]]

其中：
● 输出值“[ 1-1-1-1]”，表示的是第0个轮廓的层次。
● 它（即第0个轮廓）的后一个轮廓就是第1个轮廓，因此第1个元素的值是“1”。
● 它的前一个轮廓不存在，因此第2个元素的值是“-1”。
● 它不存在子轮廓，因此第3个元素的值是“-1”。
● 它不存在父轮廓，因此第4个元素的值是“-1”。
● 输出值“[-1 0-1-1]”，表示的是第1个轮廓的层次。
● 它（即第1个轮廓）的后一个轮廓是不存在的，因此第1个元素的值是“-1”。
● 它的前一个轮廓是第0个轮廓，因此第2个元素的值是“0”。
● 它不存在子轮廓，因此第3个元素的值是“-1”。
● 它不存在父轮廓，因此第4个元素的值是“-1”。
此时，轮廓之间的关系为：

（2）cv2.RETR_LIST（对检测到的轮廓不建立等级关系）
例如，在下图中检测到三个轮廓，各个轮廓的序号如图中数字的标注所示。

使用print语句，可以查看hierarchy的值：

print(hierarchy)
[[[ 1-1-1-1]
  [ 2  0-1-1]
  [-1  1-1-1]]]

其中：
● 输出值“[ 1-1-1-1]”，表示的是第0个轮廓的层次。
● 它（即第0个轮廓）的后一个轮廓是第1个轮廓，因此第1个元素的值是“1”。
● 它的前一个轮廓不存在，因此第2个元素的值是“-1”。
● 它不存在子轮廓，因此第3个元素的值是“-1”。
● 它不存在父轮廓，因此第4个元素的值是“-1”。
● 输出值“[2 0-1-1]”，表示的是第1个轮廓的层次。
● 它（即第1个轮廓）的后一个轮廓是第2个轮廓，因此第1个元素的值是“2”。
● 它的前一个轮廓是第0个轮廓，因此第2个元素的值是“0”。
● 它不存在子轮廓，因此第3个元素的值是“-1”。
● 它不存在父轮廓，因此第4个元素的值是“-1”。
● 输出值“[-1 1-1-1]”，表示的是第2个轮廓的层次。
● 它（即第2个轮廓）的后一个轮廓是不存在的，因此第1个元素的值是“-1”。
● 它的前一个轮廓是第1个轮廓，因此第2个元素的值是“1”。
● 它不存在子轮廓，因此第3个元素的值是“-1”。
● 它不存在父轮廓，因此第4个元素的值是“-1”。
从上述分析可以看出，当参数mode为cv2.RETR_LIST时，各个轮廓之间没有建立父子关系。
此时，轮廓之间的关系为：

（3）cv2.RETR_CCOMP（建立两个等级的轮廓）
当参数mode为cv2.RETR_CCOMP时，建立两个等级的轮廓。上面的一层为外边界，下面的一层为内孔边界。
例如，在下图中检测到三个轮廓，各轮廓的序号如图中数字的标注所示。

使用print语句可以查看hierarchy的值：

    print(hierarchy)
    [[[ 1-1-1-1]
      [-1  0  2-1]
      [-1-1-1  1]]]

其中：
● 输出值“[ 1-1-1-1]”，表示的是第0个轮廓的层次。
● 它（即第0个轮廓）的后一个轮廓是第1个轮廓，因此第1个元素的值是“1”。
● 它的前一个轮廓不存在，因此第2个元素的值是“-1”。
● 它不存在子轮廓，因此第3个元素的值是“-1”。
● 它不存在父轮廓，因此第4个元素的值是“-1”。
● 输出值“[-1 0 2-1]”，表示的是第1个轮廓的层次。
● 它（即第1个轮廓）的后一个轮廓不存在，因此第1个元素的值是“-1”。
● 它的前一个轮廓是第0个轮廓，因此第2个元素的值是“0”。
● 它的第1个子轮廓是第2个轮廓，因此第3个元素的值是“2”。
● 它不存在父轮廓，因此第4个元素的值是“-1”。
● 输出值“[-1-1-1 1]”，表示的是第2个轮廓的层次。
● 它（即第2个轮廓）的后一个轮廓不存在，因此第1个元素的值是“-1”。
● 它的前一个轮廓也不存在，因此第2个元素的值是“-1”。
● 它不存在子轮廓，因此第3个元素的值是“-1”。
● 它的父轮廓是第1个轮廓，因此第4个元素的值是“1”。
此时，轮廓关系为：

（4）cv2.RETR_TREE（建立一个等级树结构的轮廓）
例如，在下图中检测到三个轮廓，各个轮廓的序号如图中的数字标注所示。

使用print语句可以查看hierarchy的值：

print(hierarchy)
[[[ 1-1-1-1]
  [-1  0  2-1]
  [-1-1-1  1]]]

其中：
● 输出值“[ 1-1-1-1]”，表示的是第0个轮廓的层次。
● 它（即第0个轮廓）的后一个轮廓是第1个轮廓，因此第1个元素的值为“1”。
● 它的前一个轮廓不存在，因此第2个元素的值是“-1”。
● 它不存在子轮廓，因此第3个元素的值是“-1”。
● 它不存在父轮廓，因此第4个元素的值是“-1”。
● 输出值“[-1 0 2-1]”，表示的是第1个轮廓的层次。
● 它（即第1个轮廓）的后一个轮廓不存在，因此第1个元素的值是“-1”。
● 它的前一个轮廓是第0个轮廓，因此第2个元素的值是“0”。
● 它的第1个子轮廓是第2个轮廓，因此第3个元素的值是“2”。
● 它的父轮廓不存在，因此第4个元素的值是“-1”。
● 输出值“[-1-1-1 1]”，表示的是第2个轮廓的层次。
● 它（即第2个轮廓）的后一个轮廓不存在，因此第1个元素的值是“-1”。
● 它的前一个轮廓是不存在的，因此第2个元素的值是“-1”。
● 它的子轮廓是不存在的，因此第3个元素的值是“-1”。
● 它的父轮廓是第1个轮廓，因此第1个元素的值是“1”。
此时，轮廓之间的关系为：

需要注意，本例中仅有两层轮廓，所以使用参数cv2.RETR_CCOMP和cv2.RETR_TREE得到的层次结构是一致的。当有多层轮廓时，使用参数cv2.RETR_CCOMP也会得到仅有两层的层次结构；而使用参数cv2.RETR_TREE会得到含有多个层次的结构。

6．参数method
参数method决定了如何表达轮廓，可以为如下值：
● cv2.CHAIN_APPROX_NONE：存储所有的轮廓点，相邻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，在极端的情况下，一个矩形只需要用4个点来保存轮廓信息。
● cv2.CHAIN_APPROX_TC89_L1：使用teh-Chinl chain近似算法的一种风格。
● cv2.CHAIN_APPROX_TC89_KCOS：使用teh-Chinl chain近似算法的一种风格。
例如，在下图中，左图是使用参数值cv2.CHAIN_APPROX_NONE存储的轮廓，保存了轮廓中的每一个点；右图是使用参数值cv2.CHAIN_APPROX_SIMPLE存储的轮廓，仅仅保存了边界上的四个点。

在使用函数cv2.findContours()查找图像轮廓时，需要注意以下问题：
● 待处理的源图像必须是灰度二值图。因此，在通常情况下，都要预先对图像进行阈值分割或者边缘检测处理，得到满意的二值图像后再将其作为参数使用。
● 在OpenCV中，都是从黑色背景中查找白色对象。因此，对象必须是白色的，背景必须是黑色的。
● 在OpenCV 4.x中，函数cv2.findContours()仅有两个返回值。