opencv学习6：凸包算法详解及代码示例

简介

凸包（Convex Hull）是一个计算几何（图形学）中的概念。

在一个实数向量空间V中，对于给定集合X，所有包含X的凸集的交集S被称为X的凸包。X的凸包可以用X内所有点(X1，...Xn)的线性组合来构造.

在二维欧几里得空间中，凸包可想象为一条刚好包著所有点的橡皮圈。

用不严谨的话来讲，给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边型，它能包含点集中所有的点。

例子：假设平面上有p0~p12共13个点，过某些点作一个多边形，使这个多边形能把所有点都“包”起来。当这个多边形是凸多边形的时候，我们就叫它“凸包”。如下图： 

算法

Graham扫描法

时间复杂度：O(n㏒n) 
思路：Graham扫描的思想是先找到凸包上的一个点，然后从那个点开始按逆时针方向逐个找凸包上的点，实际上就是进行极角排序，然后对其查询使用。如下图：

计算步骤：

    1. 把所有点放在二维坐标系中，则纵坐标最小的点一定是凸包上的点，如图中的P0。

    2. 把所有点的坐标平移一下，使 P0 作为原点，如上图

    3. 计算各个点相对于 P0 的幅角 α ，按从小到大的顺序对各个点排序。当 α 相同时，距离 P0 比较近的排在前面。例如上图得到的结果为 P1，P2，P3，P4，P5，P6，P7，P8。我们由几何知识可以知道，结果中第一个点 P1 和最后一个点 P8 一定是凸包上的点。

以上，我们已经知道了凸包上的第一个点 P0 和第二个点 P1，我们把它们放在栈里面。现在从步骤3求得的那个结果里，把 P1 后面的那个点拿出来做当前点，即 P2 。接下来开始找第三个点：

    4. 连接P0和栈顶的那个点，得到直线 L 。看当前点是在直线 L 的右边还是左边。如果在直线的右边就执行步骤5；如果在直线上，或者在直线的左边就执行步骤6。

    5. 如果在右边，则栈顶的那个元素不是凸包上的点，把栈顶元素出栈。执行步骤4

    6. 当前点是凸包上的点，把它压入栈，执行步骤7。

    7. 检查当前的点 P2 是不是步骤3那个结果的最后一个元素。是最后一个元素的话就结束。如果不是的话就把 P2 后面那个点做当前点，返回步骤4。

最后，栈中的元素就是凸包上的点了。 
以下为用Graham扫描法动态求解的过程： 重点！！！

下面静态求解过程：

convexHull函数

convexHull函数原型如下：

void convexityDefects( InputArray contour, InputArray convexhull, OutputArray convexityDefects );

三个参数说明如下：

contour：一般就是轮廓检测函数findContours的输出

convexhull：convexHull函数的输出，里面存储的是凸包信息，在这里只能是int类型(即vector<vector<int>>类型)，而不能是vector<vector<Point>>类型！

convexityDefects ：类型为vector<vector<Vec4i>>类型，每一个凸包缺陷由N个Vec4i来描述，直观上来看每一个Vec4i实际上就是一系列点。
 

代码：

img = cv.imread('aaa.jpg', 1)
imgray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
ret, dst = cv.threshold(imgray, 127, 255, 0)
contours,hierarchy = cv.findContours(dst, cv.RETR_LIST, cv.CHAIN_APPROX_SIMPLE)
cnt = contours[601]

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：