21.OpenCV中的轮廓
21.1初识轮廓
(1).轮廓的概念
轮廓可以简单认为成将连续的点（连着边界）连在一起的曲线,具有相同 的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。
• 为了更加准确,要使用二值化图像。在寻找轮廓之前,要进行阈值化处理 或者 Canny 边界检测。
• 查找轮廓的函数会修改原始图像。如果你在找到轮廓之后还想使用原始图像的话,你应该将原始图像存储到其他变量中。
• 在 OpenCV 中,查找轮廓就像在黑色背景中找白色物体。你应该记住, 要找的物体应该是白色而背景应该是黑色。
让我们看看如何在一个二值图像中查找轮廓：
函数 cv2.findContours() 有三个参数,第一个是输入图像,第二个是 轮廓检索模式,第三个是轮廓近似方法。返回值有三个,第一个是图像,第二个 是轮廓,第三个是（轮廓的）层析结构。轮廓（第二个返回值）是一个 Python 列表,其中存储这图像中的所有轮廓。每一个轮廓都是一个 Numpy 数组,包 含对象边界点(x,y)的坐标。
注意：我们后边会对第二和第三个参数,以及层次结构进行详细介绍。在那之 前,例子中使用的参数值对所有图像都是适用的。
(2).轮廓的绘制
函数 cv2.drawContours() 可以被用来绘制轮廓。它可以根据你提供 的边界点绘制任何形状。它的第一个参数是原始图像,第二个参数是轮廓,一 个 Python 列表。第三个参数是轮廓的索引（在绘制独立轮廓是很有用,当设置 -1时绘制所有轮廓）。接下来的参数是轮廓的颜色和厚度等。
在一幅图像上绘制所有的轮廓：
import cv2
im = cv2.imread('11111.png')
imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 127, 255, 0)
# OpenCV 4.x 版本写法（推荐）
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓（可选）
cv2.drawContours(im, contours, -1, (0, 255, 0), 2)
cv2.imshow('Contours', im)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
绘制独立轮廓,如第四个轮廓：
img = cv2.drawContour(img, contours, -1, (0,255,0), 3)
但是大多数时候,下面的方法更有用：
img = cv2.drawContours(img, contours, 3, (0,255,0), 3)
注意：最后这两种方法结果是一样的,但是后边的知识会告诉你最后一种方法 更有用。
(3).轮廓的近似方法
这是函数 cv2.findCountours() 的第三个参数。它到底代表什么意思呢？
上边我们已经提到轮廓是一个形状具有相同灰度值的边界。它会存贮形状边界上所有的 (x,y) 坐标。但是需要将所有的这些边界点都存储吗？这就是这 个参数要告诉函数 cv2.findContours 的。
这个参数如果被设置为 cv2.CHAIN_APPROX_NONE,所有的边界点 都会被存储。但是我们真的需要这么多点吗？例如,当我们找的边界是一条直 线时。你用需要直线上所有的点来表示直线吗？不是的,我们只需要这条直线 的两个端点而已。这就是cv2.CHAIN_APPROX_SIMPLE 要做的。它会将轮廓上的冗余点都去掉,压缩轮廓,从而节省内存开支。 我们用下图中的矩形来演示这个技术。在轮廓列表中的每一个坐标上画一个蓝色圆圈。第一个图显示使用 cv2.CHAIN_APPROX_NONE 的效果, 一共 734 个点。第二个图是使用 cv2.CHAIN_APPROX_SIMPLE 的结果,只有 4 个点。
21.2轮廓特征
(1).矩
图像的矩可以用于计算图像的质心,面积等。详细信息请查看Image Moments。
函数 cv2.moments() 会将计算得到的矩以一个字典的形式返回。如下：
import cv2
img = cv2.imread('star.jpg', 0)
ret, thresh = cv2.threshold(img, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh, 1, 2)
cnt = contours[0]
M = cv2.moments(cnt)
print(M)
根据这些矩的值,我们可以计算出对象的重心：
cx = int(M['m10']/M['m00'])
cy = int(M['m01']/M['m00'])
1. 什么是图像矩（Image Moments）？
在图像处理中，矩（Moments）用于描述物体的形状、位置和分布。OpenCV 的 cv2.moments() 计算的是空间矩（Spatial Moments），其数学定义为：
I(x,y) 是像素点 (x,y) 的强度（二值图像中通常是 0 或 255）。
p 和 q 是矩的阶数（如 M 00、M 10 、M 01）。
2. 为什么 M['m10']/M['m00'] 和 M['m01']/M['m00'] 是重心？
(1) M['m00']（零阶矩）
表示轮廓或区域的总面积（二值图像中等于所有非零像素的总和）。
公式：
(2) M['m10']（一阶矩，x 方向）
表示x 方向的加权和（权重是像素值）。
公式：
(3) M['m01']（一阶矩，y 方向）
表示y 方向的加权和（权重是像素值）。
公式：
(4) 重心计算公式
x 坐标（cx）：
相当于所有 x 坐标的加权平均值（权重是像素值）。
y 坐标（cy）：
相当于所有 y 坐标的加权平均值（权重是像素值）。
3. 直观理解
M['m00'] 是总“质量”（面积）。
M['m10'] 是所有像素的 x 坐标 × 像素值的总和。
M['m01'] 是所有像素的 y 坐标 × 像素值的总和。
cx 和 cy 就是整个区域的“平均位置”，即重心。
4. 代码示例
import cv2
import numpy as np
# 创建一个黑色背景，并在中间画一个白色矩形
img = np.zeros((400, 400), dtype=np.uint8)
cv2.rectangle(img, (150, 150), (250, 250), 255, -1)
# 计算矩
M = cv2.moments(img)
# 计算重心
cx = int(M['m10'] / M['m00'])
cy = int(M['m01'] / M['m00'])
# 在重心位置画一个红点
cv2.circle(img, (cx, cy), 5, 128, -1)
cv2.imshow('Centroid', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
输出：
重心 (cx, cy) 会落在矩形的正中心 (200, 200)。
5. 特殊情况处理
如果 M['m00'] == 0（例如空轮廓或全黑图像），计算会出错，因此建议加一个判断：
if M['m00'] != 0:
cx = int(M['m10'] / M['m00'])
cy = int(M['m01'] / M['m00'])
else:
cx, cy = 0, 0 # 避免除以零
总结
(2).轮廓面积
轮廓的面积可以使用函数 cv2.contourArea() 计算得到,也可以使用矩（0 阶矩）,M['m00']。
area = cv2.contourArea(cnt)
(3).轮廓周长
也被称为弧长。可以使用函数 cv2.arcLength() 计算得到。这个函数 的第二参数可以用来指定对象的形状是闭合的（True）,还是打开的（一条曲 线）。
perimeter = cv2.arcLength(cnt,True)
(4).轮廓近似
将轮廓形状近似到另外一种由更少点组成的轮廓形状,新轮廓的点的数目 由我们设定的准确度来决定。使用的Douglas-Peucker算法,你可以到维基百 科获得更多此算法的细节。
为了帮助理解,假设我们要在一幅图像中查找一个矩形,但是由于图像的 种种原因,我们不能得到一个完美的矩形,而是一个“坏形状”（如下图所示）。 现在你就可以使用这个函数来近似这个形状（）了。这个函数的第二个参数叫 epsilon,它是从原始轮廓到近似轮廓的最大距离。它是一个准确度参数。选 择一个好的 epsilon 对于得到满意结果非常重要。
epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
下边,第二幅图中的绿线是当 epsilon = 10% 时得到的近似轮廓,第三幅 图是当 epsilon = 1% 时得到的近似轮廓。第三个参数设定弧线是否闭合。
(5).凸包
凸包与轮廓近似相似,但不同,虽然有些情况下它们给出的结果是一样的。 函数 cv2.convexHull() 可以用来检测一个曲线是否具有凸性缺陷,并能纠正缺陷。一般来说,凸性曲线总是凸出来的,至少是平的。如果有地方凹进去了就被叫做凸性缺陷。例如下图中的手。红色曲线显示了手的凸包,凸性缺陷被双箭头标出来了。
关于他的语法还有一些需要交代：
hull = cv2.convexHull(points[, hull[, clockwise[, returnPoints]]
参数：
• points 我们要传入的轮廓
• hull 输出,通常不需要
• clockwise 方向标志。如果设置为 True,输出的凸包是顺时针方向的。 否则为逆时针方向。
• returnPoints 默认值为 True。它会返回凸包上点的坐标。如果设置 为False,就会返回与凸包点对应的轮廓上的点。
要获得上图的凸包,下面的命令就够了：hull = cv2.convexHull(cnt)
但是如果你想获得凸性缺陷,需要把 returnPoints 设置为 False。以 上面的矩形为例,首先我们找到他的轮廓 cnt。现在我把 returnPoints 设置 为 True 查找凸包,我得到下列值：
[[[234 202]], [[ 51 202]], [[ 51 79]], [[234 79]]],其实就是矩形的四个角点。
现在把 returnPoints 设置为 False,我得到的结果是[[129],[ 67],[ 0],[142]]
他们是轮廓点的索引。例如：cnt[129] = [[234, 202]],这与前面我们得到结 果的第一个值是一样的。
(6).凸性检测
函数 cv2.isContourConvex() 可以可以用来检测一个曲线是不是凸 的。它只能返回 True 或 False。没什么大不了的。
k = cv2.isContourConvex(cnt)
(7).边界矩形
有两类边界矩形:
直边界矩形 一个直矩形（就是没有旋转的矩形）。它不会考虑对象是否旋转。 所以边界矩形的面积不是最小的。可以使用函数 cv2.boundingRect() 查 找得到。（x,y）为矩形左上角的坐标,（w,h）是矩形的宽和高。
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
旋转的边界矩形 这个边界矩形是面积最小的,因为它考虑了对象的旋转。用到的函数为 cv2.minAreaRect()。返回的是一个 Box2D 结构,其中包含矩形左上角角点的坐标（x,y）,矩形的宽和高（w,h）,以及旋转角度。但是 要绘制这个矩形需要矩形的 4 个角点,可以通过函数 cv2.boxPoints() 获 得。
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
把这两中边界矩形显示在下图中,其中绿色的为直矩形,红的为旋转矩形。
(8).最小外接圆
函数 cv2.minEnclosingCircle() 可以帮我们找到一个对象的外切圆。它是所有能够包括对象的圆中面积最小的一个。
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,255,0),2)
(9).椭圆拟合
使用的函数为cv2.ellipse(),返回值其实就是旋转边界矩形的内切圆。
ellipse = cv2.fitEllipse(cnt)
im = cv2.ellipse(im,ellipse,(0,255,0),2)
(10).直线拟合
我们也可以为图像中的白色点拟合出一条直线。
import cv2
import numpy as np
# 创建一个黑色背景
img = np.zeros((400, 400, 3), dtype=np.uint8)
# 模拟一组轮廓点（这里用斜线示例）
points = np.array([[50, 50], [100, 100], [150, 150], [200, 200]], dtype=np.float32)
# --- 绘制原始点（红色）---
for point in points:
x, y = point
cv2.circle(img, (int(x), int(y)), 5, (0, 0, 255), -1) # 红色点，半径为5
# 拟合直线
#cnt: 输入的点集（通常是轮廓点，格式为 np.array 或 list）。cv2.DIST_L2: 使用最小二乘法（欧氏距离）拟合直线。
#0: 距离参数（param），0 表示自动选择最优值。0.01, 0.01: 半径 (reps) 和角度 (aeps) 的精度阈值。
#返回值 [vx, vy, x, y]:(vx, vy): 单位向量，表示直线的方向。(x, y): 直线上的一个点
[vx, vy, x, y] = cv2.fitLine(points, cv2.DIST_L2, 0, 0.01, 0.01)
# 计算直线端点
rows, cols = img.shape[:2] #返回图像的高度 (rows) 和宽度 (cols)，忽略通道数（如果是彩色图）
lefty = int((-x * vy / vx) + y)
righty = int(((cols - x) * vy / vx) + y)
# 绘制直线
#img: 输入图像。(cols-1, righty): 直线右端点（图像最右侧）。(0, lefty): 直线左端点（图像最左侧）。
#(0, 255, 0): 线条颜色（绿色）。2: 线条粗细（2 像素）。
cv2.line(img, (cols-1, righty), (0, lefty), (0, 255, 0), 2)
# 显示结果
cv2.imshow("Fitted Line", img)
cv2.waitKey(0)
cv2.destroyAllWindows()
结果：
21.3轮廓的属性
本小节我们将要学习提取一些经常使用的对象特征。你可以在Matlab regionprops documentation学习更多的图像特征。
(1).纵横比(Aspect Ratio)
边界矩形的宽高比:
x,y,w,h = cv2.boundingRect(cnt)
aspect_ratio = float(w)/h
(2). 范围(Extent)
范围是轮廓面积与边界矩形面积的比值:
area = cv2.contourArea(cnt)
x,y,w,h = cv2.boundingRect(cnt)
rect_area = w*h
extent = float(area)/rect_area
(3). 固体度(Solidity)
固体度是轮廓面积与凸包面积的比:
area = cv2.contourArea(cnt)
hull = cv2.convexHull(cnt)
hull_area = cv2.contourArea(hull)
solidity = float(area)/hull_area
(4).等效直径(Equivalent Diameter)
与轮廓面积相等的圆形的直径:
area = cv2.contourArea(cnt)
equi_diameter = np.sqrt(4*area/np.pi)
(5).方向(Orientation)
方向是物体被指向的角度。下面的方法还会返回长轴和短轴的长度:
(x,y),(MA,ma),angle = cv2.fitEllipse(cnt)
(6).掩模和像素点
有时我们需要构成对象的所有像素点，我们可以这样做：
import cv2
import numpy as np
# 读取图像并二值化
img = cv2.imread("apple.png")
imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(imgray, 127, 255, 0)
# 查找轮廓
contours, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[0] # 取第一个轮廓
# 创建掩膜并绘制填充轮廓
#创建一个全黑的单通道图像（大小和 imgray 相同），初始值为 0（黑色）
mask = np.zeros(imgray.shape, np.uint8)
#[cnt]: 要绘制的轮廓（需放在列表中，因为函数支持多轮廓）。0: 轮廓的索引（这里只有一个轮廓 cnt）。
#255: 填充颜色（白色）。-1: 线宽参数，-1 表示填充轮廓内部（如果是正数，则只绘制轮廓线）。
#效果：掩膜 mask 中，轮廓内部区域变为白色（255），外部保持黑色（0）。
cv2.drawContours(mask, [cnt], 0, 255, -1)
# 提取轮廓内像素坐标
#np.nonzero(mask)返回掩膜中非零像素的坐标，格式为两个数组（行索引和列索引）
#np.transpose()将坐标转换为 (x, y) 形式的二维数组
pixelpoints = np.transpose(np.nonzero(mask)) # 方法1
#直接返回 OpenCV 格式的非零点坐标（Nx1x2 数组），等价于 np.transpose(np.nonzero()) 的结果
# pixelpoints = cv2.findNonZero(mask) # 方法2
print("轮廓内像素坐标（前5个）：\n", pixelpoints[:5])
这里用了两种方法:第一种方法使用 Numpy 函数,第二种使用 OpenCV 函数。结果相同,但还是有点不同。Numpy 给出的坐标是（row, colum）形式的。而 OpenCV 给出的格式是（x,y）形式的。所以这两个结果基本是可以互换的。row=x,colunm=y。
(7).最大值和最小值及它们的位置
我们可以使用掩模图像得到这些参数:
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(imgray,mask = mask)
imgray: 单通道图像（如灰度图）。
mask: 可选参数，指定只计算掩膜非零区域的像素。
关键注意事项
(1) 像素值的范围
如果是 8位灰度图（dtype=np.uint8），像素值范围是 [0, 255]。
如果是 浮点型图像（如归一化后的图像），值可能是 [0.0, 1.0]。
(2) 掩膜的作用
mask=mask 表示只计算掩膜中白色区域（255）的像素，忽略黑色区域（0）。
如果没有掩膜，则计算整个图像的极值。
(3) 多通道图像
如果输入是多通道图像（如BGR彩色图），需先转换为单通道（如灰度图），否则会报错。
常见问题
Q1: 如果掩膜全黑（mask全为0）会怎样？
函数会返回 min_val 和 max_val 均为 0，且 min_loc 和 max_loc 为 (0, 0)（但实际无意义）。
Q2: 如何找到图像中的最亮点？
直接使用 max_val 和 max_loc，例如：
cv2.circle(imgray, max_loc, 5, (255, 0, 0), -1) # 在最大值位置画红点
Q3: 为什么有时返回值是浮点数？
如果图像是 float 类型（如通过 cv2.normalize() 处理过），极值可能是浮点数。
掩膜用于限定计算区域，仅分析非零部分。
(8).平均颜色及平均灰度
我们也可以使用相同的掩模求一个对象的平均颜色或平均灰度
mean_val = cv2.mean(im,mask = mask)
(9).极点
如下图所示：
一个对象最上面,最下面,最左边,最右边的点。
leftmost = tuple(cnt[cnt[:,:,0].argmin()][0])
rightmost = tuple(cnt[cnt[:,:,0].argmax()][0])
topmost = tuple(cnt[cnt[:,:,1].argmin()][0])
bottommost = tuple(cnt[cnt[:,:,1].argmax()][0])
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
