opencv19:轮廓凸包,距离与匹配

目标

在本章中,将学习

  • 凸起缺陷检测
  • 寻找点到多边形的最短距离
  • 匹配不同的形状

理论和代码

凸性缺陷(Convexity Defects)

上一节学习了如何寻找轮廓, 凸包上的任何偏差都可以被认为是有凸性缺陷。
OpenCV中有一个函数来寻找凸包,cv2.convexityDefects()

hull = cv2.convexHull(cnt, returnPoints = False)
defects = cv2.convexityDefects(cnt, hull)

注意
必须在发现凸包时,传递returnPoints= False, 返回的是cnt中点的下标,如果是True时候,返回的是点的坐标。

cv2.convexityDefects返回一个数组,其中每行包含这些值[起点、终点、最远点、到最远点的近似距离]。可以用图像把它形象化。画一条连接起点和终点的线,然后在最远处画一个圆。记住,返回的前三个值是cnt的索引。必须从cnt中获取这些值。

import cv2
import numpy as np
img = cv2.imread('star.png')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img_gray, 127, 255,0)
contours,hierarchy = cv2.findContours(thresh,2,1)
cnt = contours[0]
hull = cv2.convexHull(cnt, returnPoints=False)
defects = cv2.convexityDefects(cnt, hull)
for i in range(defects.shape[0]):
    s,e,f,d = defects[i,0]
    start = tuple(cnt[s][0])
    end = tuple(cnt[e][0])
    far = tuple(cnt[f][0])
    cv2.line(img,start,end,[0,255,0],2)
    cv2.circle(img,far,5,[0,0,255],-1)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

在这里插入图片描述

在这里插入图片描述

点到多边形测试

cv2.pointPolygonTest函数找出图像中一点到轮廓线的最短距离。它返回的是符号距离距离(signed distance),点在轮廓线外时为负,点在轮廓线内时为正,点在轮廓线上时为零。

可以检查点(50,50)如下:

dist = cv2.pointPolygonTest(cnt,(50,50),True)
# -38.8329756778952

在函数中,第三个参数是measureDist。如果它是True,它会找到有符号的距离。如果为False,则查找该点是在轮廓线内部还是外部(分别返回 1、-1和0)

注意
如果不想知道具体距离,请确保第三个参数为False,因为计算距离是一个耗时的过程, 设置为False可使速度提高2-3倍。

形状匹配

OpenCV附带一个函数cv2.matchShapes(),该函数能够比较两个形状或两个轮廓,并返回一个显示相似性的度量结果越低,匹配越好。它是根据矩值(hu-moment)计算出来的。不同的测量方法在文档中有解释。

# 形状匹配
import cv2
import numpy as np

img1 = cv2.imread('star.png', 0)
img2 = cv2.imread('star2.png', 0)
img3 = cv2.imread('approx.png', 0)
ret, thresh = cv2.threshold(img1, 127, 250, 0)
ret2, thresh2 = cv2.threshold(img2, 127, 250, 0)
ret3, thresh3 = cv2.threshold(img3, 127, 250, 0)

contours1, hierarchy1 = cv2.findContours(thresh, 2, 1)
cnt1 = contours1[0]

contours2, hierarchy2 = cv2.findContours(thresh2, 2, 1)
cnt2 = contours2[0]

contours3, hierarchy3 = cv2.findContours(thresh3, 2, 1)
cnt3 = contours3[0]

ret1 = cv2.matchShapes(cnt1, cnt2, 1, 0.0)
print(ret1)   # 0.0101502123705427

ret2 = cv2.matchShapes(cnt2, cnt3, 1, 0.0)
print(ret2)   # 0.9202466744178138

尝试过匹配下面给出的不同形状的形状:
在这里插入图片描述

得到以下结果:

  • 匹配的图像A与本身= 0.0
  • 匹配图像A与图像B =0.0101502123705427
  • 匹配图像A与图像C = 0.9202466744178138
    可以看到,即使是图像旋转也不会对其匹配度产生比较大的影响

说明
Hu Moments(或者相反Hu moment invariants)是一种使用不变的图像转换的中央矩计算的一组7个数字。前6个moments被证明是不变的变换,缩放和旋转和反转。第7个moment表示符号变化。
在这里插入图片描述

附加资源

  • 2
    点赞
  • 8
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

uncle_ll

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值