轮廓：更多功能

上一教程： 轮廓属性
下一教程： 轮廓层次结构

目标

在本教程中，我们将了解

• 凸缺陷以及如何找到凸缺陷。
• 寻找点到多边形的最短距离
• 匹配不同的形状

理论和代码

1. 凸缺陷

我们在有关轮廓的第二章中看到了凸包是什么。对象与这个包之间的任何偏差都可以视为凸缺陷。

OpenCV 带有一个现成的函数来查找这个函数，cv.convexityDefects()。下面是基本函数调用的样子

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

注意

请记住，为了找出凸缺陷，我们必须在找到凸包时传递 returnPoints = False。

它返回一个数组，其中每行包含这些值——[开始点、结束点、最远点、到最远点的近似距离]。我们可以使用图像对其进行可视化。我们在起始点和结束点之间画一条线，然后在最远点画一个圆。请记住，返回的前三个值是 cnt 的索引。所以我们必须从 cnt 中取出那些值。

import cv2 as cv
import numpy as np
 
img = cv.imread('star.jpg')
assert img is not None, "file could not be read, check with os.path.exists()"
img_gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(img_gray, 127, 255,0)
contours,hierarchy = cv2.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])
    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()

然后查看结果

图像

2.点多边形测试

此函数查找图像中点与轮廓之间的最短距离。当点在轮廓外时它返回负距离，当点在轮廓内时返回正距离，当点在轮廓上时返回零。

例如，我们可以像如下检查点（50，50）：

dist = cv2.pointPolygonTest(cnt,(50,50),True)

在该函数中，第三个参数是 measureDist。如果它为 True，则寻找带符号的距离。如果为 False，则寻找该点是在轮廓内部、外部还是轮廓上（分别返回 +1、-1、0）。

注意

如果您不想查找距离，请确保第三个参数为 False，因为这是一个耗时的过程。因此，将其设为 False 大约可以提高 2-3 倍的速度。

3. 匹配形状

OpenCV 提供了一个函数 cv.matchShapes()，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值。结果越小，匹配程度越高。它是根据 Hu 矩值计算得出的。不同的测量方法在文档中进行了说明。

import cv2 as cv
import numpy as np
 
img1 = cv.imread('star.jpg', cv.IMREAD_GRAYSCALE)
img2 = cv.imread('star2.jpg', cv.IMREAD_GRAYSCALE)
assert img1 is not None, "file could not be read, check with os.path.exists()"
assert img2 is not None, "file could not be read, check with os.path.exists()"
 
ret, thresh = cv.threshold(img1, 127, 255,0)
ret, thresh2 = cv.threshold(img2, 127, 255,0)
contours,hierarchy = cv2.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 )

我尝试使用下面给出的不同形状匹配形状

图像

我得到了以下结果

• 将图像 A 与其自身匹配 = 0.0
• 将图像 A 与图像 B 匹配 = 0.001946
• 将图像 A 与图像 C 匹配 = 0.326911

看，即使图像旋转也不会对这种比较产生较大影响。

注意

Hu 矩是七个平移、旋转和缩放不变的矩。第七个是偏斜不变的。可以使用 cv.HuMoments() 函数找到这些值。

更多资源

练习

1. 查看文档cv.pointPolygonTest()，您可以在红色和蓝色中找到一个漂亮的图片。该图片表示图片中所有像素到白色曲线的距离。曲线内部的所有像素根据距离呈现蓝色。类似地，外部点呈现红色。轮廓边缘标记为白色。因此问题很简单。编写代码以创建这样的距离表示。
2. 使用cv.matchShapes()比较数字或字母的图片。（这将向 OCR 迈出简单一步）