轮廓特征

上一教程： 轮廓：入门
下一教程： 轮廓属性

目标

在本文中，我们将学习

• 查找轮廓的不同特征，如面积、周长、质心、边界框等
• 您将看到大量与轮廓相关的函数。

1. 矩

图像矩可以帮助您计算一些特征，例如物体的质量中心、物体的面积等。查看维基百科页面上的图像矩

函数 cv.moments() 给出了一个包含所有计算的矩值的字典。如下所示

import numpy as np
import cv2 as cv
 
img = cv.imread('star.jpg', cv.IMREAD_GRAYSCALE)
assert img is not None, "文件无法读取，请使用 os.path.exists() 检查"
ret,thresh = cv.threshold(img,127,255,0)
contours,hierarchy = cv.findContours(thresh, 1, 2)
 
cnt = contours[0]
M = cv.moments(cnt)
print( M )

从这些矩中，您可以提取有用的数据，例如面积、质心等。质心由关系给出，\(C_x = \frac{M_{10}}{M_{00}}\) 和 \(C_y = \frac{M_{01}}{M_{00}}\)。这可以通过以下方式完成

cx = int(M['m10']/M['m00'])
cy = int(M['m01']/M['m00'])

2. 轮廓面积

轮廓面积由函数 cv.contourArea() 或从矩 M['m00'] 给出。

area = cv.contourArea(cnt)

3. 轮廓周长

它也称为弧长。它可以使用 cv.arcLength() 函数找到。第二个参数指定形状是封闭轮廓（如果传递 True），还是只是一条曲线。

perimeter = cv.arcLength(cnt,True)

4. 轮廓逼近

它根据我们指定的精度将轮廓形状逼近到另一个顶点较少的形状。它实现了Douglas-Peucker 算法。查看维基百科页面以了解算法和演示。

要理解这一点，假设您正在尝试在图像中找到一个正方形，但由于图像中存在一些问题，您没有得到一个完美的正方形，而是一个“不良形状”（如下面的第一个图像所示）。现在您可以使用此函数来逼近形状。其中，第二个参数称为 epsilon，它是轮廓到逼近轮廓的最大距离。它是一个精度参数。需要明智地选择 epsilon 以获得正确的输出。

epsilon = 0.1*cv.arcLength(cnt,True)
approx = cv.approxPolyDP(cnt,epsilon,True)

下面，在第二个图像中，绿线显示了 epsilon = 弧长的 10% 的逼近曲线。第三个图像显示了 epsilon = 弧长的 1% 的情况。第三个参数指定曲线是封闭的还是开放的。

图像

5. 凸包

凸包看起来类似于轮廓逼近，但它不是（在某些情况下，两者可能提供相同的结果）。在这里，cv.convexHull() 函数检查曲线的凸性缺陷并对其进行校正。一般来说，凸曲线是始终向外凸出或至少是平坦的曲线。如果它向内凸出，则称为凸性缺陷。例如，查看下面的手部图像。红线显示了手的凸包。双箭头标记显示凸性缺陷，它们是外壳与轮廓的局部最大偏差。

图像

关于其语法，有一些细节需要讨论

hull = cv.convexHull(points[, hull[, clockwise[, returnPoints]]])

参数详情

• points 是我们传入的轮廓。
• hull 是输出，通常我们避免它。
• clockwise : 方向标志。如果为 True，则输出凸包的方向为顺时针。否则，它的方向为逆时针。
• returnPoints : 默认情况下，为 True。然后它返回外壳点的坐标。如果为 False，它返回对应于外壳点的轮廓点的索引。

因此，要获得与上图中相同的凸包，以下代码就足够了

hull = cv.convexHull(cnt)

但是，如果您想查找凸性缺陷，则需要传递 returnPoints = False。为了理解它，我们将采用上面的矩形图像。首先，我找到了它的轮廓，即 cnt。现在我找到了它的凸包，returnPoints = True，我得到了以下值：[[[234 202]], [[ 51 202]], [[ 51 79]], [[234 79]]] 它们是矩形的四个角点。现在如果使用 returnPoints = False 做同样的事情，我得到以下结果：[[129],[ 67],[ 0],[142]]。这些是轮廓中对应点的索引。例如，查看第一个值：cnt[129] = [[234, 202]] 它与第一个结果相同（其他结果也是如此）。

当我们讨论凸性缺陷时，您会再次看到它。

6. 检查凸性

有一个函数可以检查曲线是否为凸，即 cv.isContourConvex()。它只返回 True 或 False。不是什么大问题。

k = cv.isContourConvex(cnt)

7. 边界矩形

有两种类型的边界矩形。

7.a. 直立边界矩形

它是一个直立的矩形，它不考虑物体的旋转。因此，边界矩形的面积不会是最小的。它由函数 cv.boundingRect() 找到。

设 (x,y) 为矩形的左上角坐标，(w,h) 为它的宽度和高度。

x,y,w,h = cv.boundingRect(cnt)
cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

7.b. 旋转矩形

在这里，边界矩形以最小面积绘制，因此它也考虑了旋转。使用的函数是 cv.minAreaRect()。它返回一个 Box2D 结构，其中包含以下详细信息 - (中心 (x,y), (宽度, 高度), 旋转角度)。但要绘制此矩形，我们需要矩形的四个角点。它由函数 cv.boxPoints() 获得

rect = cv.minAreaRect(cnt)
box = cv.boxPoints(rect)
box = np.int0(box)
cv.drawContours(img,[box],0,(0,0,255),2)

两个矩形都在一张图像中显示。绿色矩形显示正常的边界矩形。红色矩形是旋转矩形。

图像

8. 最小外接圆

接下来，我们使用函数 cv.minEnclosingCircle() 找到物体的外接圆。它是一个完全覆盖物体且面积最小的圆。

(x,y),radius = cv.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
cv.circle(img,center,radius,(0,255,0),2)

9. 拟合椭圆

下一个是将椭圆拟合到物体上。它返回椭圆所在的旋转矩形。

ellipse = cv.fitEllipse(cnt)
cv.ellipse(img,ellipse,(0,255,0),2)

10. 拟合直线

类似地，我们可以将一条直线拟合到一组点上。下图包含一组白色点。我们可以近似它的一条直线。

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

额外资源

练习