(八)OpenCV-Python学习—轮廓查找，绘制和拟合
针对物体轮廓，opencv还提供了一些相关的函数，来处理轮廓查找，绘制，拟合，以及计算轮廓周长和面积等，详细介绍如下：
1. 寻找和绘制轮廓
opencv的findContours()能寻找图片中的轮廓，实现的是下面论文的算法：
Satoshi Suzuki and others. Topological structural analysis of digitized binary images by border following. Computer Vision, Graphics, and Image Processing, 30(1):32–46, 1985.
函数对应的参数如下：
contours, hierarchy =cv2.findContours(image, mode, method, offset=None) image: 单通道的二值图(若输入灰度图，非零像素点会被设成1，0像素点设成0) mode: 轮廓检索模式，包括RETR_EXTERNAL，RETR_LIST，RETR_CCOMP，RETR_TREE，RETR_FLOODFILL RETR_EXTERNAL: 只检索最外层的轮廓 (返回值会设置所有hierarchy[i][2]=hierarchy[i][3]=-1) RETR_LIST: 检索所有的轮廓，但不建立轮廓间的层次关系(hierarchy relationship) RETR_CCOMP: 检测所有的轮廓，但只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层，只有内围轮廓不再包含子轮廓时，其为内层。 RETR_TREE:检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。 RETR_FLOODFILL: method: 轮廓的近似方法，包括CHAIN_APPROX_NONE，CHAIN_APPROX_SIMPLE，CHAIN_APPROX_TC89_L1，CHAIN_APPROX_TC89_KCOS CHAIN_APPROX_NONE: 保存物体边界上所有连续的轮廓点到contours中，即点(x1,y1)和点(x2,y2)，满足max(abs(x1-x2),abs(y2-y1))==1，则认为其是连续的轮廓点 CHAIN_APPROX_SIMPLE: 仅保存轮廓的拐点信息到contours，拐点与拐点之间直线段上的信息点不予保留 CHAIN_APPROX_TC89_L1: 采用Teh-Chin chain近似算法 CHAIN_APPROX_TC89_KCOS:采用Teh-Chin chain近似算法 offset:偏移量，所有的轮廓信息相对于原始图像的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量(在图片裁剪时比较有用) 返回值： contours:返回的轮廓点集合，一个list，每一个元素是一个轮廓，轮廓是一个N*1*2的ndarray hierarchy: 轮廓之间的层次关系，每一个元素对应contours中相应索引轮廓的层次关系，是一个N*4的array，hierarchy[i][0]~hierarchy[i][3]分别表示第i个轮廓的后一个轮廓，
前一个轮廓，第一个内嵌轮廓(子轮廓),父轮廓的索引编号，如果当前轮廓没有对应的后一个轮廓、前一个轮廓、内嵌轮廓或父轮廓，则hierarchy[i][0]~hierarchy[i][3]的相应位被设置为默认值-1。
opencv还提供drawContours()函数来绘制检测到的轮廓，其对应参数如下：
image=cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None
image: 绘制的轮廓的图像矩阵
contours: 所有的轮廓集合（findContours()返回值）
contourIdx: 轮廓集合的索引，表示指定一个轮廓进行绘制；若为负数，表示绘制所有轮廓
color: 绘制使用的颜色
thickness：线的粗细
lineType: 线的类型，包括FILLED，LINE_4，LINE_8，LINE_AA
hierarchy: 轮廓的层次关系（findContours()返回值）
maxLevel: 0表示只有指定的轮廓被绘制，1表示绘制指定的轮廓和其第一层内嵌轮廓，2表示绘制指定轮廓和其所有的内嵌轮廓（只有hierarchy部位None时，才起作用）
offset: 绘制轮廓时的偏移量
一般轮廓寻找和拟合，能解决一些简单的目标定位问题，其大致流程如下：
-
对图像边缘检测或阈值分割得到二值图（适当的形态学处理）
-
利用findContours()函数寻找二值图中多个轮廓
-
对于每一个轮廓采用boundingRect(), minAreaRect()等进行拟合得到目标位置框
findContours()函数使用示例代码及结果如下：
#coding:utf-8 import cv2 img = cv2.imread(r"D:\data\receipt.jpg") img1 = img.copy() img2 = img.copy() img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) img_gaussian = cv2.GaussianBlur(img_gray, (3, 3), 1) edge = cv2.Canny(img_gaussian, 100, 300) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (10, 1)) edge = cv2.dilate(edge, kernel, iterations=2) #横向的形态学膨胀 # thre, edge = cv2.threshold(img_gaussian, 0, 255, cv2.THRESH_OTSU+cv2.THRESH_BINARY) #寻找轮廓 contours, hierarchy = cv2.findContours(edge, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) cv2.drawContours(img1, contours, -1, (0,0,255)) #轮廓拟合 num = len(contours) for i in range(num): area = cv2.contourArea(contours[i], oriented=False) if 30 < area < 8000: #限定轮廓的面积 rect = cv2.boundingRect(contours[i]) print(rect) cv2.rectangle(img2, (rect[0], rect[1]), (rect[0]+rect[2], rect[1]+rect[3]), (0, 255, 0)) # cv2.imshow("img_gray", img_gray) cv2.imshow("img", img) cv2.imshow("img_contour", img1) cv2.imshow("img_rect", img2) cv2.imshow("edge", edge) cv2.waitKey(0) cv2.destroyAllWindows()
2. 轮廓周长和面积
opencv提供函数arcLength()来计算点集所围区域的周长，其参数如下：
retval= cv2.arcLength(curve, closed) curve: 坐标点集，n*2的array closed: 点集所围区域是否时封闭的
opencv提供函数contourArea() 来计算点集所围区域的面积，其参数如下：
retval=cv2.contourArea(contour, oriented=False)
contour: 组成轮廓的坐标点集
oriented: 为True时，返回的面积会带有符号，正数表示轮廓点顺时针排列，负数表示逆时针排列；为False时，返回面积的绝对值，不带符号
arcLength() 和contourArea()函数使用示例如下：
#coding:utf-8 import cv2 import numpy as np img = np.ones((400, 400,3), dtype=np.uint8)*255 points = np.array([[120, 120],[150, 170],[120, 220],[220,220],[200,170],[220,120]], np.int32) length1 = cv2.arcLength(points, False) #首尾不相连 length2 = cv2.arcLength(points, True) #首尾相连 print(length1, length2) #324.3223342895508 424.3223342895508 area1 = cv2.contourArea(points, oriented=True) #返回点集排列顺序 area2 = cv2.contourArea(points, oriented=False) print(area1, area2) #-7500.0 7500.0 rows, cols = points.shape for i in range(rows): point1 = tuple(points[i]) point2 = tuple(points[(i+1)%rows]) cv2.circle(img, point1, radius=2, color=(55, 55, 55), thickness=2) cv2.line(img, point1, point2, color=(0, 255, 0), thickness=1, lineType=cv2.LINE_4) cv2.imshow("img", img) cv2.waitKey(0) cv2.destroyAllWindows()
opencv提供函数pointPolygonTest()来计算坐标点和一个轮廓的位置关系，其参数如下：
retval=cv.pointPolygonTest(contour, pt, measureDist) contour: 组成轮廓的点集 pt: 坐标点 measureDist: 为False时，返回值为1，-1，0(1表示点在轮廓内，-1表示点在轮廓外面，0在轮廓边缘上)；为True时，返回坐标点离轮廓边缘的最小距离(带符号，分别表示轮廓内和轮廓外)
pointPolygonTest()函数的使用示例代码如下：
#coding:utf-8 import cv2 import numpy as np img = np.ones((400, 400,3), dtype=np.uint8)*255 points = np.array([[120, 120],[150, 170],[120, 220],[220,220],[200,170],[220,120]], np.int32) p1 = (100, 100) p1_ret = cv2.pointPolygonTest(points, p1, measureDist=False) p1_ret2 = cv2.pointPolygonTest(points, p1, measureDist=True) print(p1_ret, p1_ret2) # -1.0 -28.284271247461902 p2 = (160, 200) p2_ret = cv2.pointPolygonTest(points, p2, measureDist=False) p2_ret2 = cv2.pointPolygonTest(points, p2, measureDist=True) print(p2_ret, p2_ret2) #1.0 20.0 cv2.circle(img, p1, radius=2, color=(0, 0, 255), thickness=2) cv2.circle(img, p2, radius=2, color=(0, 0, 255), thickness=2) rows, cols = points.shape for i in range(rows): point1 = tuple(points[i]) point2 = tuple(points[(i+1)%rows]) cv2.circle(img, point1, radius=2, color=(55, 55, 55), thickness=2) cv2.line(img, point1, point2, color=(0, 255, 0), thickness=1, lineType=cv2.LINE_4) cv2.imshow("img", img) cv2.waitKey(0) cv2.destroyAllWindows()
4. 轮廓的凸包缺陷
convexHull()函数能检测出点集的最小凸包，opencv还提供了函数convexityDefects()来检测凸包的缺陷，这里缺陷指凸包的内陷处，如下图所示：
convexityDefects()函数的参数如下：
convexityDefects=cv2.convexityDefects(contour, convexhull) contour: 组成轮廓的点集(有序的点集) convexhull: convexHull()的返回值，代表组成凸包的的坐标点集索引 返回值： convexityDefects:n*1*4的array，每一个元素代表一个缺陷，缺陷包括四个值：缺陷的起点，终点和最远点的索引，最远点到凸包的距离 （返回的距离值放大了256倍，所以除以256才是实际的距离）
convexityDefects()函数使用代码和结果如下：
#coding:utf-8 import cv2 import numpy as np img = np.ones((400, 400,3), dtype=np.uint8)*255 points = np.array([[120, 120],[150, 170],[120, 220],[220,220],[200,170],[220,120]], np.int32) hull = cv2.convexHull(points,returnPoints=False) # 返回索引 defects = cv2.convexityDefects(points, hull) print(hull) print(defects) rows, cols = points.shape for i in range(rows): point1 = tuple(points[i]) point2 = tuple(points[(i+1)%rows]) cv2.circle(img, point1, radius=2, color=(55, 55, 55), thickness=2) cv2.line(img, point1, point2, color=(0, 255, 0), thickness=1, lineType=cv2.LINE_4) rows2, _ = hull.shape for j in range(rows2): index1 = hull[j][0] index2 = hull[(j+1)%rows2][0] point1 = tuple(points[index1]) point2 = tuple(points[index2]) cv2.line(img, point1, point2, color=(0, 0, 255), thickness=1, lineType=cv2.LINE_4) cv2.imshow("img", img) cv2.waitKey(0) cv2.destroyAllWindows()
