Contour Features 边界特征

查找轮廓 findContours

 

 cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]]) → image, contours, hierarchy

 

参数解释

• image：原图像，可以事先由compare()、inRange()、threshold()等得到binary的image图像
• mode：轮廓检索模式
• method：轮廓近似方法

mode参数可取值为

1. CV_RETR_EXTERNAL 仅检索外部轮廓。
2. CV_RETR_LIST 检索所有轮廓但是不建立层次关系。
3. CV_RETR_CCOMP 检索所有轮廓并建立两级层次结构。
4. CV_RETR_TREE 检索所有轮廓并建立嵌套轮廓层次结构。

method参数可取

 

1. CV_CHAIN_APPROX_NONE 存储所有轮廓点。
2. CV_CHAIN_APPROX_SIMPLE 压缩水平、垂直和对角线，仅留下其端点。
3. CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS  应用了Teh-Chin链式近似算法的一种风格

 

计算图像的轮廓面积 cv2.contourArea()

 

 cv2.contourArea(contour[, oriented]) → retval

 

计算图像的矩 cv2.moments()

 

 cv2.moments(array[, binaryImage]) → retval

 

具体见代码

 

 import cv2
 import numpy as np

 img = cv2.imread('star.jpg',0)
 ret,thresh = cv2.threshold(img,127,255,0)
 contours,hierarchy = cv2.findContours(thresh, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

 cnt = contours[0]
 M = cv2.moments(cnt)
 print(cv2.contourArea(cnt))
 print(M)

 #得到{'m00': 0.5, 'm10': 53.83333333333333, 'm01': 367.3333333333333, 'm20': 5796.083333333333, 'm11': 39549.541666666664, 'm02': 269867.5833333333, 'm30': 624050.9500000001, 'm21': 4258186.233333333, 'm12': 29055722.733333334, 'm03': 198262758.70000002, 'mu20': 0.027777777778283053, 'mu11': -0.01388888888322981, 'mu02': 0.027777777810115367, 'mu30': -0.003703703638166189, 'mu21': 0.0018518519221615293, 'mu12': 0.001851847569924292, 'mu03': -0.0037037134170532227, 'nu20': 0.11111111111313221, 'nu11': -0.05555555553291924, 'nu02': 0.11111111124046147, 'nu30': -0.020951311664420796, 'nu21': 0.01047565641531008, 'nu12': 0.010475631795338369, 'nu03': -0.020951366982159467}

 #我们利用这个可以得到重心
 cx = int(M['m10']/M['m00'])
 cy = int(M['m01']/M['m00'])
 #contourArea的结果和m00的结果一致
  

轮廓周长计算  cv2.arcLength()

 

 perimeter = cv2.arcLength(cnt,True)

 

• 第一个参数是contour
• 第二个参数指定形状是不是闭合轮廓，true就是闭合的，否则是曲线

 

轮廓近似

 

 cv2.approxPolyDP(curve, epsilon, closed[, approxCurve]) → approxCurve

 

参数解释

• curve：输入的2D点，比如findContours得到的contour
• epsilon：精度
• closed：是否闭合，跟之前说的一样

 

输出的是近似之后的Contour

 

轮廓线拟合

 

 cv2.polylines(img, pts, isClosed, color[, thickness[, lineType[, shift]]]) → img

 

参数解释

• img：输入图像
• pts：要拟合的轮廓的集合，例如[contours[1],contours[2]]
• isClosed：是否闭合，跟之前说的一样
• color：颜色，例如(0,0,255)
• thickness：厚度，1 2 3等等
• linetype：线的类型
• shift：定点坐标中小数位数

 import cv2 as cv
 import numpy as np
 img = cv.imread("test.jpg",0)
 _,contours,_ = cv.findContours(img,2,1)
 cnt = contours[0]
 epsilon = 0.01 * cv.arcLength(cnt,True)#这里用arcLength得到轮廓周长或者曲线长度
 approx = cv.approxPolyDP(cnt,epsilon,True)
 out_img = cv.polylines(img,[approx],True,(0,0,255),2)
 cv.imshow("image",out_img)
 k  = cv.waitKey(1) & 0xFF
 if k== 27:
     cv.destroyAllWindows()

    

 

 

凸包检测

 

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

 

参数解释

• points：输入的2D点集，如findContours得到的contour
• hull：输出凸包
• clockwise：如果是True，则输出凸包顺序为顺时针方向，否则为逆时针方向
   

函数返回的是凸包（点集）

 

 import cv2 as cv
 import numpy as np
 img = cv.imread("test.jpg",0)
 _,contours,_ = cv.findContours(img,2,1)
 cnt = contours[1]
 hull = cv.convexHull(cnt)
 out_img = cv.polylines(img,[hull],True,(0,255,255),2)
 cv.imshow("image",out_img)
 cv.waitKey(0)

 

边界矩形

 

得到直边界矩形

 

 cv2.boundingRect(points) → retval

 

参数解释

• points：给出的需要确定边界的点集，例如contour

 

函数返回的是得到的边界矩形的四个顶点坐标

 

得到旋转矩形

 

 cv2.minAreaRect(points) → retval

 

参数说明：

• points ：是findCountours得到的contour

使用

import cv2 as cv
import numpy as np
img = cv.imread("test.jpg",0)
_,contours,_ = cv.findContours(img,cv.RETR_LIST,cv.CHAIN_APPROX_SIMPLE)
cnt = contours[0]
rect_vertical = cv.boundingRect(cnt)
rect = cv.minAreaRect(cnt)#这里得到的是旋转矩形
box = cv.cv.BoxPoints(rect)#得到端点
box = np.int0(box)#向下取整

 

最小封闭圆

 

 cv2.minEnclosingCircle(points) → center, radius

 

参数解释

• points：输入点集，如contour

 

输出为圆中心点坐标和半径

 

 

椭圆拟合

 

 cv2.fitEllipse(points) → retval

 

参数解释

• points：输入点集，如contour

 

输出为椭圆，其属性有中心点坐标、两轴长、偏转角度

 

使用

 import cv2 as cv
 import numpy as np
 img = cv.imread("test.jpg",0)
 _,contours,_ = cv.findContours(img,cv.RETR_LIST,cv.CHAIN_APPROX_SIMPLE)
 cnt = contours[0]
 circle = cv.minEnclosingCircle(cnt)
 ellipse = cv.fitEllipse(cnt)
 out_1 = cv.circle(img,circle,(0,255,255),2)
 out_2 =cv.ellipse(img,ellipse,(0,255,255),2)
 cv.imshow("img1",out_1)
 cv.imshow("img2",out_2)
 cv.waitKey(0)