OpenCV竟然可以这样学！成神之路终将不远（二十）

最新推荐文章于 2023-06-23 17:43:30 发布

星辰同学wwq

最新推荐文章于 2023-06-23 17:43:30 发布

阅读量465

点赞数

分类专栏： python OpenCV OpenCV成神之路文章标签： python opencv 图像处理计算机视觉机器学习

本文为博主原创文章，未经博主允许禁止转载。如有问题，欢迎指正。

本文链接：https://blog.csdn.net/weixin_41529012/article/details/118091507

版权

python 同时被 3 个专栏收录

71 篇文章 8 订阅

订阅专栏

OpenCV

44 篇文章 11 订阅

订阅专栏

OpenCV成神之路

37 篇文章 8 订阅

订阅专栏

20 轮廓：更多属性

在本章中，我们将学习 - 凸性缺陷以及如何找到它们 - 查找点到多边形的最短距离 - 匹配不同的形状

20.1 理论和代码

20.1.1 凸性缺陷

我们看到了关于轮廓的第二章的凸包。从这个凸包上的任何偏差都可以被认为是凸性缺陷。OpenCV有一个函数来找到这个，cv.convexityDefects()。一个基本的函数调用如下:

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

注意：记住,我们必须在发现凸包时，传递returnPoints = False，以找到凸性缺陷。

它返回一个数组，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]。我们可以用图像把它形象化。我们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。所以我们必须从cnt中获取这些值。

import cv2 as cv

img = cv.imread('star.jpg')
img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(img_gray, 127, 255, 0)
contours, hierarchy = cv.findContours(thresh, 2, 1)
cnt = contours[0]
hull = cv.convexHull(cnt, returnPoints=False)
defects = cv.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])
    cv.line(img, start, end, [0, 255, 0], 2)
    cv.circle(img, far, 5, [0, 0, 255], -1)
cv.imshow('img', img)
cv.waitKey(0)
cv.destroyAllWindows()

运行结果如下：

20.1.2 点多边形测试

这个函数找出图像中一点到轮廓线的最短距离。它返回的距离，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。

例如，我们可以检查点(50,50) 如下：

dist = cv.pointPolygonTest(cnt, (50, 50), True)

在函数中，第三个参数是measureDist。如果它是真的，它会找到有符号的距离。如果为假，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：如果您不想找到距离，请确保第三个参数为False，因为这是一个耗时的过程。因此，将其设置为False可使速度提高2-3倍。

20.1.3 形状匹配

OpenCV附带一个函数cv.matchShapes()，该函数使我们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。它是根据矩值计算出来的。不同的测量方法在文档中有解释。

import cv2 as cv

img1 = cv.imread('star.jpg', 0)
img2 = cv.imread('star2.jpg', 0)
ret, thresh = cv.threshold(img1, 127, 255, 0)
ret, thresh2 = cv.threshold(img2, 127, 255, 0)
contours, hierarchy = cv.findContours(thresh, 2, 1)
cnt1 = contours[0]
contours, hierarchy = cv.findContours(thresh2, 2, 1)
cnt2 = contours[0]
ret = cv.matchShapes(cnt1, cnt2, 1, 0.0)
print(ret)

我尝试过匹配下面给出的不同形状的形状：

我得到以下结果: - 匹配的图像A与本身= 0.0 - 匹配图像A与图像B = 0.001946 - 匹配图像A与图像C = 0.326911

看,即使是图像旋转也不会对这个比较产生很大的影响。

参考：Hu矩是平移、旋转和比例不变的七个矩。第七个是无偏斜量。这些值可以使用cpu.HuMoments()函数找到。

20.2 练习

检查文档中的cv.pointPolygonTest()，您可以找到红色和蓝色的漂亮图像。它表示从所有像素到白色曲线的距离。曲线内的所有像素都是蓝色的，这取决于距离。外面的点也是红色的。轮廓边缘用白色标记。所以问题很简单。编写一个代码来创建这样的距离表示。
使用cv.matchShapes()比较数字或字母的图像。(这是迈向OCR的简单一步)

欢迎评论区留言，一起探讨OpenCV成神之路的奥秘。

顺便给我加个关注，点个赞，加个收藏，让我们一起登上神坛。