本文仅供学习使用
什么是轮廓： 轮廓可以简单认为成将连续的点（连着边界）连在一起的曲线，具有相同的颜色或者灰度，提取轮廓就是提取
这些具有相同颜色或者灰度的曲线，或者说是连通域，轮廓在形状分析和物体的检测和识别中非常有用。
注意事项:
①为了更加准确，要使用二值化图像。在寻找轮廓之前，要进行阈值化处理或者 Canny 边界检测
②查找轮廓的函数会修改原始图像。如果在找到轮廓之后还想使用原始图像的话，应该将原始图像存储到其他变量中img.copy()
③在OpenCV 中，查找轮廓就像在黑色背景中找白色物体，要找的物体应该是白色而背景应该是黑色。
常用函数:
cv2.findContours()——查找轮廓
cv2.drawContours()——绘制轮廓
cv2.findContours(image, mode, method[, contours[, hierarchy[,offset]]]) → contours, hierarchy
image: 输入图像, 8位单通道图像(一般为二值图)
contours: 检测到的轮廓, 每个轮廓存储为一个点向量, 即Point类型的vector表示
hierarchy: 可选的输出向量, 包含图像的拓扑信息。其作为轮廓数量的表示, 包含了许多元素, 每个轮廓contours[i]对应4个hierarchy元素hierarchy[i][0]~hierarchy[i][3], 分别表示后一轮廓、前一轮廓、父轮廓、内嵌轮廓的索引编号, 如果没有对应项, 设置为负数
mode: 轮廓检索模式, 取值如下:
cv2.RETR_EXTERNAL=0——表示只检测最外层轮廓
cv2.RETR_LIST=1——提取所有轮廓并放置在list中, 轮廓不建立等级关系
cv2.RETR_CCOMP=2——提取所有轮廓并组织为双层结构
cv2.RETR_TREE =3——提取所有轮廓并重新建立网状轮廓结构method: 轮廓的近似方法：
cv2._CHAIN_APPROX_NONE连续存储所有的轮廓点，任何两个相邻的点都是水平、垂直或者斜相邻的。 max(abs(x1-x2)，abs(y2-y1)=1;
·cv2.CHAIN_APPROX_SIMPLE压缩存储，对于水平，垂直或者斜向的线段，只会保存端点。比如一个四边形，只会存储四个顶点。
CHAIN_APPROX_TC89_L1，CHAIN_QPPROX_TC89_KCOS使用Teh-Chin链逼近算法中的一个，LINK_RUNS与上述的算法完全不同，连接所有的水平层次的轮廓。offset: 每个轮廓的可选偏移量, 默认值Point()
import numpy as np
import cv2
image_path = r'D:/datas2/yellowmoon.png'
img = cv2.imread(image_path)
# cv2.imshow('img', img)
# cv2.waitKey(0)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# cv2.imshow('img_gray', img_gray)
# cv2.waitKey(0)
_, thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
# cv2.imshow('thresh', thresh)
# cv2.waitKey(0)
contours,_ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
colors = [[255, 0, 0],
[0, 255, 0],
[0, 0, 255],
[255, 255, 255],
[255, 255, 255],
[255, 255, 0]]
for idx, cnt in enumerate(contours):
cv2.drawContours(img, cnt, -1, colors[idx],thickness=3)
cv2.imshow('draw',img)
cv2.waitKey(0)
cv2.drawContours(image, contours, contourIdx, color, thickness[, linelype[, hierarchyl, maxLevel[,offsetl]]]]) → None
image: 目标图像, Mat类型对象即可
contours: 所有的输入轮廓, 每个轮廓存储为一个点向量
contourIdx: 轮廓绘制指示变量(索引), 若为负值, 则表示绘制所有轮廓
color: 绘制轮廓的颜色
thickness: 轮廓线条的粗细, 默认值1, 如果为负值, 则绘制轮廓内部, 可选宏CV_FILLED
lineType: 线条类型, 默认值8
hierarcy: 可选的层次结构信息, 默认值noArray()
maxLevel: 表示用于绘制轮廓的最大等级, 默认值INT_MAX
offset: 可选的轮廓偏移参数, 默认值Point()
import numpy as np
import cv2
image_path = r'D:/datas2/yellowmoon.png'
img = cv2.imread(image_path)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
contours,_ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 1
for i in range(0,len (contours)):
#cv2.drawContours(img,contours[i],-1,(0,255,0),5)
cv2.drawContours(img,contours,i,(0,255,0),5)
cv2.imshow('draw',img)
cv2.waitKey(0)
# 2
for cnt in contours:
cv2.drawContours(img,cnt,-1,(0,255,0),5)
cv2.imshow('draw',img)
cv2.waitKey(0)
import numpy as np
import cv2
image_path = r'D:/datas2/yellowmoon.png'
img = cv2.imread(image_path)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
contours,_ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 访问每个轮廓的每个点
# 1
for i in range(0,len (contours)):
for j in range(0,len (contours[i])):
cv2.drawContours(img,contours[i],j,(0,255,0),3)
cv2.imshow('draw',img)
cv2.waitKey(0)
cv2.imshow('draw',img)
cv2.waitKey(0)
# 2
for cnt in contours:
for j in range(0,len (cnt)):
cv2.drawContours(img,cnt,j,(0,255,0),3)
cv2.imshow('draw',img)
cv2.waitKey(0)
len(contours)——所有轮廓的个数
len(contours[i])——第i个轮廓所有点的个数
（待补充）
在实际应用中, 经常会有将检测到的轮廓用多边形表示出来的需求, 提取包围轮廓的多边形也方便我们做进一步分析, 轮廓包围主要有一下几种:
◼ 轮廓外接矩形
◼ 轮廓最小外接矩形(旋转)
◼ 轮廓最小包围圆形
◼ 轮廓拟合椭圆
◼ 轮廓逼近多边形曲线
轮廓外接矩形——cv2.boundingRect()
cv2.boundingRect(points) → retval
points: 输入的二维点集
返回值: Rect类矩形对象(x,y,w,h)
import numpy as np
import cv2
image_path = r'D:/datas2/yellowmoon.png'
img = cv2.imread(image_path)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
contours,_ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
colors = [[255, 0, 0],
[0, 255, 0],
[0, 0, 255],
[255, 255, 255],
[255, 255, 255],
[255, 255, 0]]
for idx, cnt in enumerate(contours):
cv2.drawContours(img, cnt, -1, colors[idx], thickness=5)
# 获取外接矩形
x, y, w, h = cv2.boundingRect(cnt)
cv2.rectangle(img, (x, y), (x+w, y+h), colors[idx])
cv2.imshow('draw',img)
cv2.waitKey(0)
轮廓最小外接矩形-——cv2.minAreaRect()
cv2.minAreaRect(points) → retval
points: 输入的二维点集
返回值: RotatedRect类矩形对象, 外接旋转矩形主要成员有center、size、 angle
在opencv中，坐标的原点在左上角，与x轴平行的方向为角度为0，逆时针旋转角度为负，顺时针旋转角度为正。而RotatedRect类是以矩形的哪一条边与x轴的夹角作为角度的呢？angle 是水平轴（x轴）逆时针旋转，与碰到的第一个边的夹角，而opencv默认把这个边的边长作为width，angle的取值范围必然是负的
reval = cv2.minAreaRect(cnt) # 中心点坐标，(w,h)，angle
box = cv2.boxPoints(reval) # 矩形4个点的坐标集合，分别是左上角，右上角，左下角，右下角
import numpy as np
import cv2
image_path = r'D:/datas2/yellowmoon.png'
img = cv2.imread(image_path)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
contours,_ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
colors = [[255, 0, 0],
[0, 255, 0],
[0, 0, 255],
[255, 255, 255],
[255, 255, 255],
[255, 255, 0]]
for idx, cnt in enumerate(contours):
cv2.drawContours(img, cnt, -1, colors[idx], thickness=5)
# 最小外接矩形
reval = cv2.minAreaRect(cnt)# 中心点坐标，(w,h)，angle
box = cv2.boxPoints(reval)# 矩形4个点的坐标集合，分别是左上角，右上角，左下角，右下角
box = np.int0(box)
cv2.drawContours(img, [box], -1, colors[idx])
# cv2.rectangle(img, box[0], box[2], colors[idx])
cv2.imshow('draw',img)
cv2.waitKey(0)
轮廓最小外接圆——cv2.minEnclosingCircle()
cv2.minEnclosingCircle(points) → center,radius
points: 输入的二维点集
center: Point2f&类型的center, 圆的输出圆心
radius: float&类型, 表示圆的输出半径
轮廓椭圆拟合——cv2.fitEllipse()
cv2.fitEllipse(points) → retval
points: 输入的二维点集, 可以填Mat类型或std::vector
返回值: RotatedRect类旋转矩形对象
逼近多边形曲线——cv2.approxPolyDP()
cv2.approxPolyDP(curve,epsilon,closed[,approxCurve]) → retval
curve: 输入的二维点集或轮廓
approxCurve: 多边形逼近的结果, 其类型和输入二维点集类型一致
epsilon: 逼近的精度, 为原始曲线和近似曲线间的最大值
closed: 如果其为真, 则近似的曲线为封闭曲线, 否则近似的曲线不封闭
计算轮廓面积——cv2.contourArea()
cv2.contourArea(contour[,oriented]) → retval
contour: 输入的二维点集或轮廓
oriented: 默认值false, 表示返回面积为绝对值, 否则带符号
返回值: double类型返回轮廓面积
计算轮廓长度(周长或者曲线长度)——cv2.arcLength()
cv2.arcLength(curve,closed) → retval
curve: 输入的二维点集或轮廓
colsed: 用于指示曲线是否封闭的标识符, 默认值true, 表示曲线封闭
返回值: double类型返回轮廓长度
注:cv2.contourArea()&& cv2.arcLength()可用于轮廓删选
计算点与轮廓的距离及位置关系——cv2.pointPolygonTest()
cv2.pointPolygonTest(contour,pt,measureDist) → retval
contour: 所需检测的轮廓对象
pt: Point2f 类型的pt, 待判定位置的点
measureDist: 是否计算距离的标志, 当其为true时, 计算点到轮廓的最短距离, 当其为false时, 只判定轮廓与点的位置关系, 具体关系如下:
①返回值为-1, 表示点在轮廓外部
②返回值为0, 表示点在轮廓上
③返回值为1, 表示点在轮廓内部
注意∶如果你不需要知道具体距离，建议你将第三个参数设为 False，这样速度会提高2到3倍。
不变矩(Invariant Moments)是一处高度浓缩的图像特征，具有平移、灰度、尺度、旋转不变性。M.K.Hu在1961年首先提出了不变矩的概念。下面是几个图像的不变矩：矩的计算——cv2.moments()
cv2.moments(arrayl,binaryImage])) → retval
array: 输入参数, 可以是光栅图像或二维数组
binaryImage: 默认值false, 非零像素取其本身值, 若为true, 则非零像素取1
返回值: Moments类的对象, 返回对应的轮廓的空间矩/中心矩和归一化中心矩(最高3阶)
cv2.matchShapes()
cv2.matchShapes(contour1,contour2,method,parameter) → retval
contour1: 所需比较的轮廓1
contour2: 所需比较的轮廓2
method: 轮廓比较的方法method =
CV_CONTOURS_MATCH_I1I 1 ( A , B ) = ∑ i = 1 , . . . , 7 ∣ 1 m i A − 1 m i B ∣ {{I}_{1}}(A,B)=\sum\limits_{i=1,...,7}{\left| \frac{1}{m_{i}^{A}}-\frac{1}{m_{i}^{B}} \right|} I1(A,B)=i=1,...,7∑∣∣∣miA1−miB1∣∣∣
method =CV_CONTOURS_MATCH_I2I 2 ( A , B ) = ∑ i = 1 , . . . , 7 ∣ m i A − m i B ∣ {{I}_{2}}(A,B)=\sum\limits_{i=1,...,7}{\left| m_{i}^{A}-m_{i}^{B} \right|} I2(A,B)=i=1,...,7∑∣∣miA−miB∣∣
method =CV_CONTOURS_MATCH_I3I 3 ( A , B ) = max i = 1 , . . . , 7 ∣ m i A − m i B ∣ ∣ m i A ∣ {{I}_{3}}(A,B)=\underset{i=1,...,7}{\mathop{\max }}\,\frac{\left| m_{i}^{A}-m_{i}^{B} \right|}{\left| m_{i}^{A} \right|} I3(A,B)=i=1,...,7max∣miA∣∣miA−miB∣
其中： m i A = s i g n ( h i A ) ⋅ log h i A , m i B = s i g n ( h i B ) ⋅ log h i B m_{i}^{A}=sign(h_{i}^{A})\cdot \log h_{i}^{A},m_{i}^{B}=sign(h_{i}^{B})\cdot \log h_{i}^{B} miA=sign(hiA)⋅loghiA,miB=sign(hiB)⋅loghiB， h i A , h i B h_{i}^{A},h_{i}^{B} hiA,hiB为矩阵A、B的Hu矩parameter: 比较方法的特殊参数(目前不支持)
注意: cv2.matchShapes()函数比较轮廓相似度是基于Hu矩来计算的, 结果越小相似度越高。Hu矩是归一化中心矩的线性组合, 是为了获取图像某个特征的矩函数(对应变化如平移、缩放、旋转、镜像)
HSV颜色空间与人眼所看色彩较接近, 故常用于颜色检测与识别。其中H(色调)、S(饱和度)、V(亮度)
H—不同的颜色(红色/绿色/蓝色)—范围: 0~360
S—颜色深浅(浅红/深红)—范围: 0.0~1.0
V—颜色亮暗(暗红/亮红)—范围: 0.0~1.0
OpenCV默认的HSV范围分别是: H: 0~180, S: 0~255, V: 0~255
cv2.cvtColor()
import cv2
import numpy as np
img = cv2.imread('D:/datas2/logo.png')
img_hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
lower = np.array([100,43,46],dtype='uint8')
high = np.array([124,255,255],dtype='uint8')
mask = cv2.inRange(img_hsv,lower,high)
cv2.imshow('mask',mask)
cv2.waitKey(0)
cv2.inRange()
cv2.inRange(src,lowerb,upperb[,dst]) → dst
src: 输入原图或数组
lowerb: 低边界或者颜色阈值
upperb: 高边界或者颜色阈值
dst: 输出目标图像, 需要和原图一样的size并且类型需为CV_8U
(待补充)
(待补充)
(待补充)
(待补充)
(待补充)
(待补充)
(待补充)
(待补充)