【opencv】Opencv（Python） 教程-轮廓（2）轮廓特征求取

目标

查找轮廓的不同特征，例如面积，周长，重心，边界框等，这些特征在未来的图像识别中，会大量的用到。

矩的概念

图像识别的一个核心问题是图像的特征提取，简单描述即为用一组简单的数据（图像描述量）来描述整个图像，这组数据越简单越有代表性越好。良好的特征不受光线、噪点、几何形变的干扰。图像识别发展几十年，不断有新的特征提出，而图像不变矩就是其中一个。

矩是概率与统计中的一个概念，是随机变量的一种数字特征。设X为随机变量，c为常数，k为正整数。则量E[(x−c)k]称为X关于c点的k阶矩

比较重要的有两种情况：

1. c=0。这时ak=E(Xk)称为X的k阶原点矩

2. c=E(X)。这时μk=E[(X−EX)k]称为X的k阶中心矩。

一阶原点矩就是期望。一阶中心矩μ1=0，二阶中心矩μ2就是X的方差Var(X)。在统计学上，高于4阶的矩极少使用。μ3可以去衡量分布是否有偏。μ4可以去衡量分布（密度）在均值附近的陡峭程度如何。

针对于一幅图像，我们把像素的坐标看成是一个二维随机变量(X,Y)，那么一幅灰度图像可以用二维灰度密度函数来表示，因此可以用矩来描述灰度图像的特征。

不变矩(Invariant Moments)是一处高度浓缩的图像特征，具有平移、灰度、尺度、旋转不变性。M.K.Hu在1961年首先提出了不变矩的概念。1979年M.R.Teague根据正交多项式理论提出了Zernike矩。

对于矩的相关具体计算方法及概念，参考链接http://blog.csdn.net/qq_18343569/article/details/46913501

[python]  view plain  copy

1. import cv2  
2. import numpy as np  
3. img = cv2.imread('star.jpg',0)  
4. img=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) #彩色转灰度  
5. ret,thresh = cv2.threshold(img,127,255,0)   #二值化  
6. image,contours,hierarchy = cv2.findContours(thresh, 1, 2)  
7. cnt = contours[0]   #选取其中的第一个轮廓  
8. M = cv2.moments(cnt)  #对第一个轮廓  
9. print (M)             #打印出所有计算的M的参数，其各个数值的计算公式参考http://blog.csdn.net/qq_18343569/article/details/46913501  
10. cx = int(M['m10']/M['m00'])  #X方向的重心，其中M['m10']表示的是x方向的一阶空间矩，M['m00']表示面积，M['m00']也可以通过cv2.contourArea() 计算得到  
11. cy = int(M['m01']/M['m00']) #Y方向的重心  
12.    

另外，关于轮廓的函数还包括如下

轮廓周长

cv2.arcLength()

[python]  view plain  copy

1. perimeter = cv2.arcLength(cnt,True)  

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）。假如是一条闭合的曲线，那种方法计算结果一致，如果是开曲线，则两者计算结果不同，其中闭合的方法，会在最后将起始点和终止点连一起的长度加进去。

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。

[python]  view plain  copy

1. epsilon = 0.1*cv2.arcLength(cnt,True)  
2. 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。

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。

参考代码为：

[python]  view plain  copy

1. hull = cv2.convexHull(points, hull, clockwise, returnPoints)  

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。

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。

[python]  view plain  copy

1. k = cv2.isContourConvex(cnt)  

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。

[python]  view plain  copy

1. x,y,w,h = cv2.boundingRect(cnt)  
2. 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。

[python]  view plain  copy

1.   

rect = cv2.minAreaRect(cnt)
box = cv2.cv.BoxPoints(rect)
box = np.int0(box)
cv2.drawContours(img, [box], 0, (0, 0, 255), 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。完整代码如下：

[python]  view plain  copy

1. # 用绿色(0, 255, 0)来画出最小的矩形框架  
2. x, y, w, h = cv2.boundingRect(cnt)  
3. cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)  
4.   
5. # 用红色表示有旋转角度的矩形框架  
6. rect = cv2.minAreaRect(cnt)  
7. box = cv2.cv.BoxPoints(rect)  
8. box = np.int0(box)  
9. cv2.drawContours(img, [box], 0, (0, 0, 255), 2)  
10. cv2.imwrite('contours.png', img)  

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。

[python]  view plain  copy

1. (x,y),radius = cv2.minEnclosingCircle(cnt)  
2. center = (int(x),int(y))  
3. radius = int(radius)  
4. img = cv2.circle(img,center,radius,(0,255,0),2)  

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

[python]  view plain  copy

1. ellipse = cv2.fitEllipse(cnt)  
2. im = cv2.ellipse(im,ellipse,(0,255,0),2)  

直线拟合

我们可以根据一组点拟合出一条直线，同样我们也可以为图像中的白色点拟合出一条直线。

[python]  view plain  copy

1. rows,cols = img.shape[:2]  
2. [vx,vy,x,y] = cv2.fitLine(cnt, cv2.DIST_L2,0,0.01,0.01)  
3. lefty = int((-x*vy/vx) + y)  
4. righty = int(((cols-x)*vy/vx)+y)  
5. img = cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)