python opencv入门 轮廓特征（18）

内容来自OpenCV-Python Tutorials 自己翻译整理

目标
轮廓的面积、周长、重心、边界
相关函数

矩
图像矩可以计算图像的质心，面积等等。
图像的矩

函数 cv2.moments()会计算图像的矩，并返回一个字典
（findContours应该返回三个参数，样例里的代码只返回两个，报错了）

import cv2import numpy as npimg = cv2.imread('3.jpg',0)ret,thresh = cv2.threshold(img,127,255,0)img,contours,hierarchy = cv2.findContours(thresh, 1, 2)cnt = contours[0]M = cv2.moments(cnt)print(M)

结果

{'m00': 0.0, 'm10': 0.0, 'm01': 0.0, 'm20': 0.0, 'm11': 0.0, 'm02': 0.0, 'm30': 0.0, 'm21': 0.0, 'm12': 0.0, 'm03': 0.0, 'mu20': 0.0, 'mu11': 0.0, 'mu02': 0.0, 'mu30': 0.0, 'mu21': 0.0, 'mu12': 0.0, 'mu03': 0.0, 'nu20': 0.0, 'nu11': 0.0, 'nu02': 0.0, 'nu30': 0.0, 'nu21': 0.0, 'nu12': 0.0, 'nu03': 0.0}

(结果居然全是0，轮廓找的不好）

根据这些矩的值可以得到重心
Cx=M10M00
Cy=M01M00

cx = int(M['m10']/M['m00'])cy = int(M['m01']/M['m00'])

轮廓面积
cv2.contourArea()函数可以计算面积，也可以使用矩 M[‘m00’]

import cv2import numpy as npimg = cv2.imread('3.jpg',0)ret,thresh = cv2.threshold(img,127,255,0)img,contours,hierarchy = cv2.findContours(thresh, 1, 2)cnt = contours[1]area = cv2.contourArea(cnt)#计算面积print(area)

轮廓周长

使用 cv2.arcLength()计算，第二个参数表示轮廓是闭合（True）还是打开的

import cv2import numpy as npimg = cv2.imread('3.jpg',0)ret,thresh = cv2.threshold(img,127,255,0)img,contours,hierarchy = cv2.findContours(thresh, 1, 2)cnt = contours[1]perimeter = cv2.arcLength(cnt,True)print(perimeter)

轮廓近似
将得到的轮廓近似为更少点组成的形状，使用 Douglas-Peucker algorithm
例如要在图像中寻找一个矩形，由于种种原因，不能得到一个完整矩形，现在可以使用此函数，函数的第二个参数epsilon是从原始轮廓到近似轮廓的最大距离，epsilon对结果影响很大。

epsilon = 0.1*cv2.arcLength(cnt,True)approx = cv2.approxPolyDP(cnt,epsilon,True)

凸包
使用cv2.convexHull()来计算凸包，所谓凸包，打个比方，给你一个木板，在木板上面钉一大堆钉子，然后找一根皮筋在上面一围，形成的图形就是凸包。

函数介绍

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

参数

• points为传入轮廓
• hull为输出，通常不需要
• clockwise设置为真顺时针输出凸包
• returnPoints默认为真，返回凸包上的点

import cv2import numpy as npimg = cv2.imread('3.jpg',0)ret,thresh = cv2.threshold(img,127,255,0)img,contours,hierarchy = cv2.findContours(thresh, 1, 2)cnt = contours[1]hull = cv2.convexHull(cnt)print(hull)

结果如下

[[[ 44 217]] [[ 43 218]] [[ 39 221]] [[ 36 223]] [[ 35 223]] [[ 33 221]] [[ 28 212]] [[ 26 208]] [[ 23 201]] [[ 18 187]] [[ 17 183]] [[ 17 181]] [[ 26 181]] [[ 32 184]] [[ 39 188]] [[ 42 190]] [[ 43 191]] [[ 44 202]]]

将returnPoints设置为False则会输出点的索引

import cv2import numpy as npimg = cv2.imread('3.jpg',0)ret,thresh = cv2.threshold(img,127,255,0)img,contours,hierarchy = cv2.findContours(thresh, 1, 2)cnt = contours[1]hull = cv2.convexHull(cnt,returnPoints=False)print(hull)

结果如下

[[36] [35] [33] [31] [30] [29] [21] [19] [13] [ 3] [ 1] [ 0] [54] [48] [42] [40] [39] [37]]

凸检测

检测一个曲线是否是凸的
返回bool值

k = cv2.isContourConvex(cnt)

边界矩形（包围盒）

直边界包围盒（AABB包围盒）
就是找到图形对象最高点、最低点、最左点、最右点，画出一个矩形边界
使用函数 cv2.boundingRect()计算
（x，y）为矩形左上角的坐标，（w，h）是矩形的宽和高

x,y,w,h = cv2.boundingRect(cnt)img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2

旋转边界包围盒（OBB包围盒）

矩形包围盒的面积最小，考虑到了对象的旋转（原理使用到到了PCA方法，可以去搜）
使用函数cv2.minAreaRect()获得
返回Box2D结构，包含左上角坐标（x,y）矩形宽，高（w,h），以及旋转角度

可以通过cv2.boxPoints()函数绘制

rect = cv2.minAreaRect(cnt)box = cv2.boxPoints(rect)box = np.int0(box)cv2.drawContours(img,[box],0,(0,0,255),2)

绿色的就是直边界包围盒，红色的是最小矩形包围盒

最小外接圆
使用函数 cv2.minEnclosingCircle()得到
返回圆心和半径

(x,y),radius = cv2.minEnclosingCircle(cnt)center = (int(x),int(y))radius = int(radius)img = cv2.circle(img,center,radius,(0,255,0),2)

椭圆拟合
旋转边界的内切圆

ellipse = cv2.fitEllipse(cnt)cv2.ellipse(img,ellipse,(0,255,0),2)

直线拟合
根据图像中的点拟合出一条直线

rows,cols = img.shape[:2][vx,vy,x,y] = cv2.fitLine(cnt, cv2.DIST_L2,0,0.01,0.01)lefty = int((-x*vy/vx) + y)righty = int(((cols-x)*vy/vx)+y)cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)