OpenCV入门笔记（六） 轮廓检测（Detect Contours）

轮廓（Contours），指的是有相同颜色或者密度，连接所有连续点的一条曲线。检测轮廓的工作对形状分析和物体检测与识别都非常有用。

在轮廓检测之前，首先要对图片进行二值化或者Canny边缘检测。在OpenCV中，寻找的物体是白色的，而背景必须是黑色的，因此图片预处理时必须保证这一点。

cv2.findContours函数

Python版示例如下，也可以参考【OpenCV-Python教程（11、轮廓检测）】【Contours : Getting Started】

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

完整例子：

import cv2

#读入图片
img = cv2.imread("1.png")

# 必须先转化成灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINAEY)

# 寻找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 画出轮廓，-1,表示所有轮廓，画笔颜色为(0, 255, 0)，即Green，粗细为3
cv2.drawContours(img, contours, -1, (0, 255, 0), 3)

# 显示图片
cv2.namedWindow("Contours", cv2.NORMAL_WINDOW)
cv2.imshow("Contours", img)

# 等待键盘输入
cv2.waitKey(0)
cv2.destroyAllWindows()

• thresh -> 要寻找轮廓的图片，注意这里的轮廓会直接改变在thresh上，记得备份
• cv2.RETR_TREE -> 表示轮廓检索模式（Contour retrieval mode）为，检索所有的轮廓，且重组为一个有层次的嵌套轮廓。层次信息返回在hierarchy中。
• cv2.CHAIN_APPROX_SIMPLE -> 表示轮廓近似方法（Contour approximation method）。SIMPLE可以这样理解，假如一个矩形有1000个点，但是现在只用四个角的点表示就行了，即去掉冗余信息。

对contours的理解如下

print "找到 %d 个轮廓" %(len(contours))
print "第 0 个轮廓有 %d 个点" %(len(contours[0]))

# 画出第0个轮廓
cv2.drawContours(img, contours, 0, (0, 255, 0), 3)
cv2.imshow("first contours", img)

# 画出第1个轮廓
cv2.drawContours(img, contours, 1, (0, 255, 0), 3)
cv2.imshow("second contours", img)

# 画出所有的轮廓
cv2.drawContours(img, contours, -1, (0, 255, 0), 3)
cv2.imshow("all contours", img)

对 hierarchy 的深究，可以参考这里：【Contours Hierarchy】

轮廓特征（Contour Features）

查找到轮廓以后，我们可以得出轮廓的一些特征信息，也可以在轮廓上做一些简单的操作，参考Python教程：【Contour Features】

1. 面积和周长示例

# 寻找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 取第 0 个轮廓
cnt = contours[0]

# 轮廓面积
area = cv2.contourArea(cnt)

# 周长，或者说，弧长；第二个参数的True表示该轮廓是否封闭
perimeter = cv2.arcLength(cnt, True)

轮廓近似（Contour Approximation），要理解概念，先来看下面的三张图。第一张是找到的轮廓；第二张近似的幅度很大，忽略了很多的细节；第三细节多一点.

# 假设取第30个轮廓为例
cnt = contours[30]

# 10%，即0.1的精确度
epsilon = 0.1 * cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, epsilon, True)

# 这里是第二张，10%的精确度
cv2.imshow("10% approximation", approx)

同理，第三张可以用1%的精确度来得到。

涉及凸多面体和凹多面体的概念，不多解释。如下图，本来是一个手掌的形状，现在用最小的凸多面体把它包起来。其中，凸进去（Bulge Inside）的部分，称为凸包缺陷（Convexity Defects），即箭头处，即偏导的局部最大值处。

函数调用，以后用到再来细究吧！

hull = cv2.convexHull(cnt)
cv2.imshow("hull", hull)

矩形边框（Bounding Rectangle）是说，用一个最小的矩形，把找到的形状包起来。还有一个带旋转的矩形，面积会更小，效果见下图

上代码

# 用绿色(0, 255, 0)来画出最小的矩形框架
x, y, w, h = cv2.boundingRect(cnt)
img = cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

# 用红色表示有旋转角度的矩形框架
rect = cv2.minAreaRect(cnt)
box = cv2.cv.boxPoints(rect)
box = np.int0(box)
img = cv2.drawContours(img, [box], 0, (0, 0, 255), 2)

版权声明：本文为博主原创文章，未经博主允许不得转载。