轮廓特征

上一个教程: 轮廓：入门
下一个教程: 轮廓属性

目标

在本文中，我们将学习

• 找到轮廓的不同特征，如面积、周长、质心、边界框等
• 您将看到许多与轮廓相关的函数。

1. 矩

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

函数cv.moments() 给出了所有计算出的矩值的字典。见下文

import numpy as np
import cv2 as cv
 
img = cv.imread('star.jpg', cv.IMREAD_GRAYSCALE)
assert img is not None, "无法读取文件，请检查 os.path.exists()"
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，如面积、质心等。质心由以下关系式给出，\(C_x = \frac{M_{10}}{M_{00}}\) 和 \(C_y = \frac{M_{01}}{M_{00}}\)。这可以按如下方式完成

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()或矩，M['m00']给出。

area = cv.contourArea(cnt)

3. 轮廓周长

也称为弧长。可以使用cv.arcLength()函数找到。第二个参数指定形状是闭合轮廓（如果传递 True），还是仅为曲线。

perimeter = cv.arcLength(cnt,True)

4. 轮廓近似

它将轮廓形状近似为另一个顶点较少的形状，具体取决于我们指定的精度。它是Douglas-Peucker 算法的实现。查看维基百科页面以获取算法和演示。

要理解这一点，假设您正在尝试在图像中找到一个正方形，但由于图像中的某些问题，您没有得到一个完美的正方形，而是一个“糟糕的形状”（如下面第一张图像所示）。现在您可以使用此函数来近似该形状。在此，第二个参数称为 epsilon，它是从轮廓到近似轮廓的最大距离。它是一个精度参数。需要明智地选择 epsilon 才能获得正确的输出。

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

下面，在第二张图像中，绿线显示了 epsilon = 弧长的 10% 的近似曲线。第三张图像显示了 epsilon = 弧长的 1% 的相同曲线。第三个参数指定曲线是否闭合。

image

5. 凸包

凸包看起来类似于轮廓近似，但并非如此（在某些情况下，两者可能会提供相同的结果）。在这里，cv.convexHull()函数检查曲线的凸度缺陷并对其进行校正。一般来说，凸曲线是指总是向外凸出的曲线，或者至少是平坦的曲线。如果它向内凸出，则称为凸度缺陷。例如，检查下面的手部图像。红线显示了手的凸包。双向箭头标记显示了凸度缺陷，它是船体与轮廓的局部最大偏差。

image

关于它的语法还有一些需要讨论的地方

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

参数详细信息

• 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，则输出凸包按顺时针方向定向。否则，它将逆时针方向定向。
• returnPoints：默认情况下为 True。然后它返回船体点的坐标。如果为 False，则返回与船体点对应的轮廓点的索引。

因此，要获得如上图所示的凸包，以下就足够了

hull = cv.convexHull(cnt)

但是，如果您想找到凸度缺陷，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作为 cnt。现在我发现它的凸包 returnPoints = True，我得到以下值：[[[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 执行相同的操作，我将得到以下结果：[[129]，[67]，[0]，[142]]。这些是轮廓中对应点的索引。例如，检查第一个值：cnt[129] = [[234, 202]]，它与第一个结果相同（其他结果依此类推）。

当我们讨论凸度缺陷时，您将再次看到它。

6. 检查凸度

有一个函数可以检查曲线是否为凸曲线，cv.isContourConvex()。它只是返回 True 或 False。没什么大不了的。

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。

令 (x,y) 为矩形的左上角坐标，(w,h) 为其宽度和高度。

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

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)。但是要绘制此矩形，我们需要矩形的 4 个角。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)

两个矩形都显示在单个图像中。绿色矩形显示了正常的边界矩形。红色矩形是旋转矩形。

image

8. 最小外接圆

接下来，我们使用函数cv.minEnclosingCircle()查找物体的外接圆。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。它返回椭圆内接的旋转矩形。

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

10. 拟合线

同样，我们可以将线拟合到一组点。下面的图像包含一组白点。我们可以将直线近似于它。

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)