OpenCV學習筆記(九)——影像輪廓(中)

1-3 查找并繪制輪廓、矩特性及Hu矩

OpenCV學習筆記(九)——影像輪廓(上)

4. 輪廓擬合

在計算輪廓時，可能并不需要實際的輪廓，而僅需要一個接近于輪廓的近似多邊形，OpenCV 提供了多種計算輪廓近似多邊形的方法，

4.1 矩形包圍框

x,y,w,h = cv2.boundingRect( array )

• 回傳矩形邊界左上角頂點的x坐標，y坐標，矩形寬度和高度，
• 引數 array 是灰度影像或輪廓，

import cv2
import numpy as np
#---------------讀取并顯示原始影像------------------
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
#---------------提取影像輪廓------------------
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
#---------------構造矩形邊界------------------
x,y,w,h = cv2.boundingRect(contours[0])
brcnt = np.array([[[x, y]], [[x+w, y]], [[x+w, y+h]], [[x, y+h]]])
cv2.drawContours(o, [brcnt], -1, (255, 255,255), 2)
#---------------顯示矩形邊界------------------
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

4.2 最小包圍矩形框

retval =cv2.minAreaRect( points )

• 回傳值 retval 表示回傳的矩形特征資訊，該值的結構是(最小外接矩形的中心(x,y),(寬度,高度),旋轉角度)，
• 引數 points 是輪廓，

需要注意，回傳值retval的結構不符合函式cv2.drawContours()的引數結構要求，因此，必須將其轉換為符合要求的結構，才能使用，函式cv2.boxPoints()能夠將上述回傳值retval轉換為符合要求的結構，函式cv2.boxPoints()的語法格式是：

points = cv2.boxPoints( box )

• 回傳值 points，是能夠用于函式cv2.drawContours()引數的輪廓點，
• 引數 box 是函式cv2.minAreaRect()回傳值的型別的值，

import cv2
import numpy as np
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
rect = cv2.minAreaRect(contours[0])
print("回傳值rect:\n",rect)
points = cv2.boxPoints(rect)
print("\n 轉換后的points：\n",points)
points = np.int0(points) #取整
image=cv2.drawContours(o,[points],0,(255,255,255),2)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

同時，程式還會輸出如下結果：
回傳值 rect:
((280.3699951171875, 138.58999633789062), (154.99778747558594,
63.78103256225586), -8.130102157592773)
轉換后的 points：
[[208.16002 181.12 ]
[199.14 117.979996]
[352.57996 96.06 ]
[361.59998 159.2 ]]

4.3 最小包圍圓形

center, radius = cv2.minEnclosingCircle( points )

• 回傳值 center 是最小包圍圓形的中心，
• 回傳值 radius 是最小包圍圓形的半徑，
• 引數 points 是輪廓，

import cv2
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,
cv2.RETR_LIST,
cv2.CHAIN_APPROX_SIMPLE)
(x,y),radius = cv2.minEnclosingCircle(contours[0])
center = (int(x),int(y))
radius = int(radius)
cv2.circle(o,center,radius,(255,255,255),2)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

4.4 最優擬合橢圓

retval = cv2.fitEllipse( points )

• 回傳值 retval 是RotatedRect 型別的值，這是因為該函式回傳的是擬合橢圓的外接矩形，retval 包含外接矩形的質心、寬、高、旋轉角度等引數資訊，這些資訊正好與橢圓的中心點、軸長度、旋轉角度等資訊吻合，
• 引數 points 是輪廓，

import cv2
o = cv2.imread('cc.bmp')
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
cv2.imshow("original",o)
ellipse = cv2.fitEllipse(contours[0])
print("ellipse=",ellipse)
cv2.ellipse(o,ellipse,(0,255,0),3)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

4.5 最優擬合直線

line = cv2.fitLine( points, distType, param, reps, aeps )

• points：輪廓，
• distType：距離型別，擬合直線時，要使輸入點到擬合直線的距離之和最小，其型別如表所示，

• param：距離引數，與所選的距離型別有關，當此引數被設定為0 時，該函式會自動選擇最優值，
• reps：用于表示擬合直線所需要的徑向精度，通常該值被設定為0.01，
• aeps：用于表示擬合直線所需要的角度精度，通常該值被設定為0.01，

import cv2
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
[vx,vy,x,y] = cv2.fitLine(contours[0], cv2.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
cv2.line(o,(cols-1,righty),(0,lefty),(0,255,0),2)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

4.6 最小外包三角形

retval, triangle = cv2.minEnclosingTriangle( points )

• retval：最小外包三角形的面積，
• triangle：最小外包三角形的三個頂點集，
• points：輪廓，

import cv2
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
area,trgl = cv2.minEnclosingTriangle(contours[0])
print("area=",area)
print("trgl:",trgl)
for i in range(0, 3):
	cv2.line(o, tuple(trgl[i][0]),tuple(trgl[(i + 1) % 3][0]), (255,255,255), 2)
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

顯示如下的運行結果：
area= 12904.00390625
trgl: [[[193.25641 107. ]]
[[222.58975 211. ]]
[[441.41025 107. ]]]

4.7 逼近多邊形

approxCurve = cv2.approxPolyDP( curve, epsilon, closed )

• approxCurve 為逼近多邊形的點集，
• curve 是輪廓，
• epsilon 為精度，原始輪廓的邊界點與逼近多邊形邊界之間的最大距離，
• closed 是布爾型值，該值為True 時，逼近多邊形是封閉的；否則，逼近多邊形是不封閉的，

函式 cv2.approxPolyDP()采用的是Douglas-Peucker 演算法(DP 演算法)，以下圖為例，該演算法首先從輪廓中找到距離最遠的兩個點，并將兩點相連(見（b）圖)，接下來，在輪廓上找到一個離當前直線最遠的點，并將該點與原有直線連成一個封閉的多邊形，此時得到一個三角形，如（c）圖所示，

將上述程序不斷地迭代，將新找到的距離當前多邊形最遠的點加入到結果中，當輪廓上所有的點到當前多邊形的距離都小于函式cv2.approxPolyDP()的引數epsilon 的值時，就停止迭代，最終可以得到如圖12-23 的（f）圖所示的處理結果，

通過上述程序可知，epsilon 是逼近多邊形的精度資訊，通常情況下，將該精度設定為多邊形總長度的百分比形式，

import cv2
#----------------讀取并顯示原始影像-------------------------------
o = cv2.imread('cc.bmp')
cv2.imshow("original",o)
#----------------獲取輪廓-------------------------------
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
#----------------epsilon=0.1*周長-------------------------------
adp = o.copy()
epsilon = 0.1*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
adp=cv2.drawContours(adp,[approx],0,(0,0,255),2)
cv2.imshow("result0.1",adp)
#----------------epsilon=0.09*周長-------------------------------
adp = o.copy()
epsilon = 0.09*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
adp=cv2.drawContours(adp,[approx],0,(0,0,255),2)
cv2.imshow("result0.09",adp)
#----------------epsilon=0.055*周長-------------------------------
adp = o.copy()
epsilon = 0.055*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
adp=cv2.drawContours(adp,[approx],0,(0,0,255),2)
cv2.imshow("result0.055",adp)
#----------------epsilon=0.05*周長-------------------------------
adp = o.copy()
epsilon = 0.05*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
adp=cv2.drawContours(adp,[approx],0,(0,0,255),2)
cv2.imshow("result0.05",adp)
#----------------epsilon=0.02*周長-------------------------------
adp = o.copy()
epsilon = 0.02*cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)
adp=cv2.drawContours(adp,[approx],0,(0,0,255),2)
cv2.imshow("result0.02",adp)
#----------------等待釋放視窗-------------------------------
cv2.waitKey()
cv2.destroyAllWindows()

5. 凸包

逼近多邊形是輪廓的高度近似，但是有時候，我們希望使用一個多邊形的凸包來簡化它，凸包跟逼近多邊形很像，只不過它是物體最外層的“凸”多邊形，凸包指的是完全包含原有輪廓，并且僅由輪廓上的點所構成的多邊形，凸包的每一處都是凸的，即在凸包內連接任意兩點的直線都在凸包的內部，在凸包內，任意連續三個點的內角小于180°，

5.1 獲取凸包

hull = cv2.convexHull( points[, clockwise[, returnPoints]] )

• hull：凸包角點，
• points：輪廓，
• clockwise：布爾型值，該值為True 時，凸包角點將按順時針方向排列；該值為False 時，則以逆時針方向排列凸包角點，
• returnPoints：布爾型值，默認值是True，函式回傳凸包角點的x/y 軸坐標；當為False時，函式回傳輪廓中凸包角點的索引，

import cv2
# --------------讀取并繪制原始影像------------------
o = cv2.imread('hand.bmp')
cv2.imshow("original",o)
# --------------提取輪廓------------------
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
# --------------尋找凸包------------------
hull = cv2.convexHull(contours[0])
# --------------繪制凸包------------------
cv2.polylines(o, [hull], True, (0, 255, 0), 2)
# --------------顯示凸包------------------
cv2.imshow("result",o)
cv2.waitKey()
cv2.destroyAllWindows()

5.2 凸缺陷

凸包與輪廓之間的部分，稱為凸缺陷，

convexityDefects = cv2.convexityDefects( contour, convexhull )

• convexityDefects 為凸缺陷點集，它是一個陣列，每一行包含的值是[起點，終點，輪廓上距離凸包最遠的點，最遠點到凸包的近似距離]，需要注意的是，回傳結果中[起點，終點，輪廓上距離凸包最遠的點，最遠點到凸包的近似距離]的前三個值是輪廓點的索引，所以需要到輪廓點中去找它們，起點和終點為輪廓上最遠點對應的凸包直線的起點和終點，
• contour 是輪廓，
• convexhull 是凸包，需要注意的是，cv2.convexityDefects()計算凸缺陷時，要使用凸包作為引數，在查找該凸包時，所使用函式cv2.convexHull()的引數returnPoints的值必須是False，

import cv2
#----------------原圖--------------------------
img = cv2.imread('hand.bmp')
cv2.imshow('original',img)
#----------------構造輪廓--------------------------
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 127, 255,0)
image,contours, hierarchy = cv2.findContours(binary,
cv2.RETR_TREE,
cv2.CHAIN_APPROX_SIMPLE)
#----------------凸包--------------------------
cnt = contours[0]
hull = cv2.convexHull(cnt,returnPoints = False)
defects = cv2.convexityDefects(cnt,hull)
print("defects=\n",defects)
#----------------構造凸缺陷--------------------------
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,[0,0,255],2)
cv2.circle(img,far,5,[255,0,0],-1)
#----------------顯示結果，釋放影像--------------------------
cv2.imshow('result',img)
cv2.waitKey(0)
cv2.destroyAllWindows()

5.3 幾何學測驗

5.3.1 測驗輪廓是否是凸形的

retval = cv2.isContourConvex( contour )

• 回傳值 retval 是布爾型值，該值為True 時，表示輪廓為凸形的；否則，不是凸形的，
• 引數 contour 為要判斷的輪廓，

5.3.2 點到輪廓的距離

retval = cv2.pointPolygonTest( contour, pt, measureDist )

• contour 為輪廓，
• pt 為待判定的點，
• measureDist 為布爾型值，表示距離的判定方式，
  1.當值為 True 時，表示計算點到輪廓的距離，如果點在輪廓的外部，回傳值為負數；如果點在輪廓上，回傳值為0；如果點在輪廓內部，回傳值為正數，
  2.當值為 False 時，不計算距離，只回傳“-1”、“0”和“1”中的一個值，表示點相對于輪廓的位置關系，如果點在輪廓的外部，回傳值為“-1”；如果點在輪廓上，回傳值為“0”；如果點在輪廓內部，回傳值為“1”，

6-7 利用形狀場景演算法比較輪廓及輪廓的特征值

OpenCV學習筆記(九)——影像輪廓(下)