轮廓是定义或限定形状或对象的边或线，是机器视觉中的常用的概念，多用于目标检测、识别等任务。关于OpenCV轮廓操作，尤其是级别及如何使用轮廓级别进行筛选等问题，相关文章比较少，正好最近用到，因此将其总结成文。本文主要介绍OpenCV的查找轮廓函数findContours()绘制函数drawContours()，及其轮廓级别参数hierarchy，涉及到预处理、轮廓筛选等内容，并提供全部源代码，希望能帮助大家理解基本概念并能借鉴示例代码编写自己的算法。
本文代码：C++
本文包括如下内容：
1.查找和绘制轮廓函数findContous(),drawContours()
2.轮廓参数：轮廓级别、轮廓长度
3.轮廓的形状描述子：最小覆盖矩形、圆、多边形逼近、凸包
1.如何筛选轮廓：按轮廓级别和长度筛选
2.如何绘制轮廓的外接形状
3.如何获取轮廓的重心坐标并标注
本文的目标：
1.从原始图像中找到2架可回收火箭
2.标注目标的位置与重心坐标
阅读完成后，将能从原始图像中找到2架火箭，并标注其位置与坐标。如下图所示：
目录
OpenCV轮廓操作一站式详解：查找/筛选/绘制/形状描述与标注
1.查找、绘制轮廓函数
findContours()
drawContours()
2.预处理
3.查找轮廓
4.绘制轮廓
5.筛选轮廓
5.1 hierarchy轮廓级别详解
contours与hierarchy的关系
什么是层次结构hierarchy？
5.2 OpenCV中的层次结构表示
Next
Previous
First_Child
Parent
5.3 按hierarchy筛选轮廓
5.4 按长度筛选轮廓
6.联通域分析
7.标注轮廓重心
void cv::findContours (
InputOutputArray image,
OutputArrayOfArrays contours,
OutputArray hierarchy,
int mode,
int method,
Point offset = Point()
)
函数参数：
| image | 输入：源图像，一个8位单通道图像，注意一定是CV_8UC1的单通道图像，否则报错。 非零像素被视为1。 零像素保持为0，因此图像被视为二进制。可以使用compare，inRange，threshold，adaptiveThreshold，Canny等来从灰度或彩色图像中创建二进制图像。如果mode为RETR_CCOMP或RETR_FLOODFILL，则输入也可以是标签的32位整数图像（CV_32SC1）。 |
| contours | 输出：检测到的轮廓。每个轮廓都存储为点向量（例如std :: vector <std :: vector <cv :: Point >>）。即由若干个cv::Point类型的点组成了单个轮廓std :: vector <cv :: Point >，再由若干个轮廓组成输入图像中的全部轮廓std::vector<std :: vector <cv :: Point >> |
| hierarchy | 输出：轮廓级别信息。Hierarchy为可选输出变量，是std::vector<cv::Vec4i>类型的向量（每个元素都是一个4个int值构成的向量）。包含有关图像拓扑的信息。它具有与轮廓数量一样多的元素。例如，第i个轮廓， hierarchy[i][0]，hierarchy[i][1]，hierarchy[i][2]和hierarchy[i][3]依次为：第i个轮廓的[Next, Previous, First_Child, Parent]，即轮廓i相同等级的下一轮廓、前一轮廓，第一个子轮廓和父轮廓（上一级轮廓）的索引号（即contours向量中的轮廓序号）。如果轮廓i没有下一个，前一个，父级或嵌套轮廓，则层次结构[i]的相应元素将为负数。这个参数我们将在下文中重点介绍。 |
| mode | 输入：轮廓检索模式, 详见 RetrievalModes |
| method | 输入：轮廓近似法, 详见ContourApproximationModes |
| offset | 输入：每个轮廓点移动的偏移量，可选参数，cv::Point()类型。如果从整幅图像的某个ROI中提取轮廓，然后又在整个图像中分析轮廓（将ROI中的轮廓坐标恢复到整幅图像中的坐标），这个偏移量非常有用，可以免去我们自己写代码转换坐标系的麻烦。 |
mode参数：
| RETR_EXTERNAL Python: cv.RETR_EXTERNAL | 仅检索极端外轮廓。 它为所有轮廓设置hierarchy [i][2] = hierarchy [i][3] = - 1。 |
| RETR_LIST Python: cv.RETR_LIST | 检索所有轮廓而不建立任何层次关系。 |
| RETR_CCOMP Python: cv.RETR_CCOMP | 检索所有轮廓并将它们组织成两级层次结构。在顶层轮廓是外部轮廓。在第二层轮廓是“洞”的轮廓。如果连接组件的洞内有另一个轮廓，它的级别仍然认定为顶层。 |
| RETR_TREE Python: cv.RETR_TREE | 检索所有轮廓并重建嵌套轮廓的完整层次结构。 |
| RETR_FLOODFILL Python: cv.RETR_FLOODFILL |
绘制轮廓轮廓或填充轮廓。
void cv::drawContours (
InputOutputArray image,
InputArrayOfArrays contours,
int contourIdx,
const Scalar & color,
int thickness = 1,
int lineType = LINE_8,
InputArray hierarchy = noArray(),
int maxLevel = INT_MAX,
Point offset = Point()
)
函数参数：
| image | 输入：源图像。单通道或3通道图像。 |
| contours | 输入：待绘制的轮廓。std :: vector <std :: vector <cv :: Point >>类型。 |
| contourIdx | 输入：待绘制的轮廓序号。例如：0为绘制第1个轮廓contours[0]；1为绘制第2个轮廓contours[1]，依次类推；-1为绘制所有轮廓。 |
| color | 输入：轮廓颜色。cv::Scalar变量，例如：cv::Scalar(0,0,255)为红色轮廓，cv::Scalar::all(0)为黑色轮廓 |
| thickness | 输入：轮廓粗细。int型变量，默认为1，值越大越粗 |
| lineType | 输入：绘制轮廓的线型。默认LINE_8，8联通线型（下一个点连接上一个点的边或角）。 |
| hierarchy | 输入：待绘制的轮廓级别。std::vector<cv::Vec4i>类型的向量（每个元素都是一个4个int值构成的向量）。下一轮廓、前一轮廓，第一个子轮廓和父轮廓（上一级轮廓）的索引号。 |
| maxLevel | 输入：待绘制的轮廓最大级别。 |
| method | 输入：轮廓近似法, 详见ContourApproximationModes |
| offset | 输入：每个轮廓点移动的偏移量，可选参数。 |
预处理目的是为轮廓查找提供高质量的输入源图像。
预处理的主要步骤包括：
其中灰度化可以将3通道图像转化为单通道图像，以便进行二值化门限分割；去噪可以有效剔除图像中的异常独立噪点；二值化是为轮廓查找函数提供单通道图像；形态学的某些处理通常可以剔除细小轮廓，联通断裂的轮廓。
读取图像代码如下：
// 1.载入图像
cv::Mat image = cv::imread("spaceX2.jpg",1);
cv::imshow("original", image);
cv::waitKey();
// 2.预处理
cv::Mat gray, binary, element; // 临时变量
cv::cvtColor(image, gray, CV_BGR2GRAY);
cv::imshow("gray", gray);
GaussianBlur(gray, gray, Size(3, 3), 1);
cv::threshold(gray, binary, 80, 255, CV_THRESH_BINARY_INV);
cv::imshow("binary", binary);
element = getStructuringElement(MORPH_RECT, Size(3, 3));//3*3全1结构元素
cv::morphologyEx(binary, binary, cv::MORPH_CLOSE, element);
cv::imshow("morphology", binary);
cv::waitKey();
使用findContours函数查找轮廓
// 3.查找轮廓
std::vector<std::vector<cv::Point>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(
binary, // 输入二值图
contours, // 存储轮廓的向量
hierarchy, // 轮廓层次信息
RETR_TREE, // 检索所有轮廓并重建嵌套轮廓的完整层次结构
CHAIN_APPROX_NONE); // 每个轮廓的全部像素
printf("find %d contours", contours.size());
为了方便查看轮廓查找结果，使用drawContours()来绘制轮廓并显示。编写函数drawMyContours()函数用于在白色背景中或者原图上查看轮廓。
函数参数：
// 4. 绘制轮廓函数
void drawMyContours(string winName, Mat &image, std::vector<std::vector<cv::Point>> contours, bool draw_on_blank)
{
cv::Mat temp;
if (draw_on_blank) // 在白底上绘制轮廓
{
temp = cv::Mat(image.size(), CV_8U, cv::Scalar(255));
cv::drawContours(
temp,
contours,
-1,//画全部轮廓
0, //用黑色画
2);//宽度为2
}
else // 在原图上绘制轮廓
{
temp = image.clone();
cv::drawContours(
temp,
contours,
-1,//画全部轮廓
cv::Scalar(0,0,255), //用red画
1);//宽度为2
}
cv::imshow(winName, temp);
cv::waitKey();
}
在main函数中调用drawMyContours()如下：
// 4.绘制原始轮廓
drawMyContours("contours", image, contours, true);
首次查找的轮廓变量contours中有16个向量，即找到16个轮廓。
展开contours变量，可以看到每个元素都是一个由一系列轮廓上的点组成的向量，其size就是每个轮廓的长度。
通过绘制轮廓，可以看到这16个轮廓，除了两个目标之外，还有云、地面背景以其中的“洞”轮廓。
查找到大轮廓显然有许多不符合要求，因此可以通过某些准则进行轮廓筛选。通过观察，发现上图中有许多轮廓包含“洞”，即子轮廓，而这些子轮廓显然也有父级轮廓，因此我们可以使用findContours的hierarchy轮廓级别参数删除那些有子轮廓也有父轮廓的轮廓。
使用findContours()函数将返回contours轮廓向量以及对应的hierarchy轮廓级别向量（可选项）。两者有相同的长度即contours.size() = hierarchy.size()，并且向量的序号表示找到的轮廓索引，且一一对应。
通常我们使用findContours()函数来检测图像中的对象。有时对象位于不同的位置。但在某些情况下，某些形状在其他形状内（类似嵌套）。在这种情况下，我们将外部轮廓称为父级轮廓，将内部轮廓称为子轮廓。这样，图像中的轮廓彼此之间存在某种关系。并且我们可以指定一个轮廓如何相互连接，例如，它是某个其他轮廓的子项，还是父项等。此关系的表示就称为层次结构hierarchy。
考虑下面的示例图片：
在上图中，有一些形状，我们从0-5编号这5个形状。图中2和2a表示最外侧矩形的外部和内部轮廓。
轮廓0,1,2是最外部轮廓，三者为同一级别。我们可以说，它们在层次结构0中，或者只是它们处于相同的层次结构级别。
接下来是轮廓-2a可以被认为是轮廓-2的子轮廓（或者相反，轮廓-2是轮廓-2a的父级轮廓）所以让它在层次结构-1中。 类似地，轮廓-3是轮廓-2a的子轮廓，它进入下一层次。 最后，轮廓4,5是轮廓-3a的子轮廓，它们位于最后的层次结构级别。 从编号框的方式，可以说轮廓-4是轮廓-3a的第一个子轮廓，当然轮廓-5也是轮廓-3a的子轮廓。
如果上面的描述看着头晕，不要紧，一开始都这样。
OpenCV中每个轮廓都有自己的信息，关于它是什么层次结构，谁是它的子轮廓，谁是它的父轮廓等.OpenCV将它表示为四个int值的数组，类型为cv::Vec4i（4个int值）：
[Next，Previous，First_Child，Parent]
Next表示同一级别的下一个轮廓索引。例如，在我们的图片中取出轮廓-0。同一水平的下一个轮廓是轮廓-1。 所以简单地说Next = 1。类似地，对于轮廓-1，next是轮廓-2。 所以Next = 2。
轮廓-2的同一级别没有下一个轮廓，所以轮廓-2的Next = -1。轮廓-4呢？它与轮廓-5处于同一水平。所以它的下一个轮廓是轮廓-5，所以轮廓-4的Next = 5。
Previous表示同一级别的上一个轮廓索引。例如，轮廓-1的上一个轮廓在同一级别中为轮廓-0。 类似地，对于轮廓-2，它的上一个轮廓是轮廓-1。而对于轮廓-0，没有先前的，所以把它的Previous = -1。
First_Child表示当前轮廓的第一个子轮廓索引。例如，对于轮廓-2，子轮廓是轮廓-2a。因此轮廓-2的First_Child为轮廓-2a的相应索引值。轮廓-3a呢？它有两个子轮廓。但hierarchy参数只记录第一个子轮廓，因此它是轮廓-4的索引值。因此，对于轮廓-3a，First_Child = 4。
Parent表示当前轮廓的父轮廓索引。对于轮廓-4和轮廓-5，它们的父轮廓都是轮廓-3a。对于轮廓-3a，它的父轮廓是轮廓-3，依此类推。
注意：
有了上述对轮廓层级的理解，下面就可以根据需要筛选轮廓了。例如本文任务是找到两个火箭，而首次查找轮廓有许多中间有空洞的轮廓不符合要求，下面就通过遍历每一个轮廓的hierarchy级别参数的第3第4个参数来找到那些有子轮廓或者有父轮廓的轮廓，并删除之。注意向量迭代器的使用，删除后会返回下一个向量的指针；此外，contours与hierarchy元素需要同步删除和并递增迭代器，以保持编号对应关系，否则会删错。
// 5.筛选轮廓
// 初始化迭代器
std::vector<std::vector<cv::Point>>::iterator itc = contours.begin();
std::vector<cv::Vec4i>::iterator itc_hierarchy = hierarchy.begin();
// 5.1使用层级结构筛选轮廓
int i = 0;
while(itc_hierarchy != hierarchy.end())
{
//验证轮廓大小
if (hierarchy[i][2] > 0 || hierarchy[i][3] > 0) // 存在子轮廓/父轮廓
{
itc = contours.erase(itc);
itc_hierarchy = hierarchy.erase(itc_hierarchy);
}
else
{
++i;
++itc;
++itc_hierarchy;
}
}
printf("%d contours remaining after hierarchy filtering", contours.size());
// 绘制级别筛选后的轮廓
drawMyContours("contours after hierarchy filtering", image, contours, true);
筛选过后的轮廓如下图所示，左上角和右下角的云层与地面的带有空洞的轮廓都被删除了。
尽管上一个步骤已经剔除了天空与地面背景轮廓，但仍然残留这一些细小的轮廓。下一步可以使用轮廓长度contours[i].size()来滤除过小或过大的轮廓：
// 5.2使用轮廓长度滤波
int min_size = 20;
int max_size = 500;
// 针对所有轮廓
itc = contours.begin();
itc_hierarchy = hierarchy.begin();
while (itc != contours.end())
{
//验证轮廓大小
if (itc->size() < min_size || itc->size() > max_size)
{
itc = contours.erase(itc);
itc_hierarchy = hierarchy.erase(itc_hierarchy);
}
else
{
++itc;
++itc_hierarchy;
}
}
printf("%d contours remaining after length filtering", contours.size());
// 绘制长度筛选后的轮廓
drawMyContours("contours after length filtering", image, contours, true);
感觉越来越接近真理了！
连通区域通常代表了场景中的某个物体。为了识别该物体，或将它与其他图像元素比较，需要对此区域进行测量，以提取部分特征。本节介绍opencv的形状描述子，用于描述连通区域的形状。OpenCV中用于形状描述的函数有很多。我们把其中几个用到上节提取到的区域。
（1）矩形框cv::Rect r0 = cv::boundingRect()
在表示和定位图像中的区域方法中，边界框可能是最简洁的。它的定义是：能完整包含该形状的最小垂直矩形。比较边界框的高度和宽度，可以获得物体在垂直和水平方向上的范围。
（2）最小覆盖圆cv::minEnclosingCircle()
最小覆盖圆通常用在只需要区域尺寸和位置的近似值的情况。
（3）多边形逼近cv::approxPolyDP()
如果要更紧凑地表示区域的形状，可以采用多边形逼近。在创建时需要设置精度参数，表示形状与对应的简化多边形之间能接受的最大距离。它是cv::approxPolyDP(contours[1],poly,5,true)函数的第四个参数。返回结果是cv::Point类型的向量，表示多边形顶点个数。在画这个多边形时，要迭代遍历整个向量，并在顶点之间画直线，把它们逐个连接起来。
（4）凸包cv::convexHull()
凸包是包含该形状的最小凸多边形。可以把它看作一条绕在区域周围的橡皮筋。在形状轮廓中凹进去的位置，凸包轮廓会与原始轮廓发生偏离。
下面使用上述分析方法中的凸包与最小覆盖矩形两种方法分别对2架火箭的提取轮廓进行分析。
// 6.形状描述子
// 最小覆盖矩形
cv::Mat result =image.clone();
cv::Rect rect = cv::boundingRect(contours[0]);//轮廓1
cv::rectangle(result, rect, cv::Scalar(0,255,255), 1);//画矩形
// 凸包
std::vector<cv::Point> hull;
cv::convexHull(contours[1], hull);//轮廓2
cv::polylines(result, hull, true, cv::Scalar(0, 255, 0), 1);//画多边形
cv::imshow("bounding", result);
cv::waitKey();得到的结果如下图所示：轮廓1为最小覆盖矩形（黄色线条），轮廓2为凸包（绿色线条）
终于到最后一步了。下面先求2个轮廓的重心，然后使用cv::Circle()与cv::putText()函数将重心位置与坐标标注到画面上。
// 7.计算轮廓矩，画重心
itc = contours.begin();
while (itc != contours.end()) {
// 计算全部轮廓矩
cv::Moments mom = cv::moments(cv::Mat(*itc++));
// 画重心
cv::Point pt = cv::Point(mom.m10 / mom.m00, mom.m01 / mom.m00); //使用前三个矩m00, m01和m10计算重心
cv::circle(result, pt, 2, cv::Scalar(0, 0, 255), 2);//画红点
// 标注重心坐标值
string text_x = std::to_string(pt.x);
string text_y = std::to_string(pt.y);
string text = "(" + text_x + ", " + text_y + ")";
cv::putText(result, text, cv::Point(pt.x+10,pt.y+10), cv::FONT_HERSHEY_PLAIN, 1.5, cv::Scalar::all(255), 1, 8, 0);
}
cv::imshow("center", result);
cv::waitKey();最终结果如下图所示。
参考链接：
https://docs.opencv.org/3.1.0/d9/d8b/tutorial_py_contours_hierarchy.html
https://docs.opencv.org/3.4.1/d3/dc0/group__imgproc__shape.html#ga17ed9f5d79ae97bd4c7cf18403e1689a
本文更新链接：https://blog.csdn.net/iracer/article/details/90260670
转载请注明出处。
新书终于面市啦，《机器学习原理与编程实战》连接原理与实战：
https://blog.csdn.net/iracer/article/details/116051674?spm=1001.2014.3001.5501
