寻找轮廓
processed_img, contours, hierarchy = cv2.findContours(img, retrieval_mode, contour_approximation_method)
"""
# findContours 是寻找白色像素的轮廓，即白色是前景，黑色是背景
# processed_img 获取轮廓过程中被修改过的原图像
# contours 获得的所有轮廓的数组，每个轮廓是该轮廓上所有像素点组成的数组
# hierarchy 各个轮廓之间的继承关系
# retrieval_mode: 常用：
# cv2.RETR_TREE 保留轮廓的层级结构
# cv2.RETR_EXTERNAL 只提取最外层的轮廓
# contour_approximation_method:
# cv2.CHAIN_APPROX_NONE 表示保存所有的边缘像素坐标
# cv2.CHAIN_APPROX_SIMPLE 直线的轮廓只保留直线的两个端点像素坐标
"""
算法论文：Topological Structural Analysis of Digitized Binary Images by Border Following
原理：
-
他主要介绍了两种算法，用来对数字二值图像进行拓扑分析。第一种算法是在确定二值图像边界的围绕关系，即确定外边界、孔边界以及他们的层次关系，由于这些边界和原图的区域具有一一对应关系（外边界对应像素值为1的连通区域，孔边界对应像素值为0的区域），因此我们就可以用边界来表示原图。第二种算法，是第一种算法的修改版本，本质一样，但是它只找最外面的边界。
-
也许你会问，这个算法怎么来确定外边界，孔边界以及他们的层级关系？他采用编码的思想，给不同的边界赋予不同的整数值，从而我们就可以确定它是什么边界以及层次关系。输入的二值图像即为0和1的图像，用f(i,j)表示图像的像素值。每次行扫描,遇到以下两种情况终止：
（1）f(i,j-1)=0，f(i,j)=1；//f(i,j)是外边界的起始点
（2）f(i,j)>=1，f(i,j+1)=0；//f(i,j)是孔边界的起始点
- 然后从起始点开始，标记边界上的像素。在这里分配一个唯一的标示符给新发现的边界，叫做NBD。初始时NBD=1，每次发现一个新边界加1。在这个过程中，遇到f(p,q)=1,f(p,q+1)=0时，将f(p,q)置为-NBD。什么意思呢？就是右边边界的终止点。
画轮廓
cv2.drawContours(img, contours, contour_index, color, thickness)
"""
# 在img上用color颜色thickness厚度画出第contour_index个contour
# contour_index为-1表示画出所有contour
"""
实例
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('laugh.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.bilateralFilter(img, 21, 75, 75)
laplacian = cv2.convertScaleAbs(cv2.Laplacian(img, cv2.CV_64F))
_, img = cv2.threshold(laplacian, 20, 255, cv2.THRESH_BINARY)
# 用于画轮廓的img
img_contour = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
_, contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 获取最长轮廓的长度
max_len = max(map(lambda x: len(x), contours))
# 获取最长的那个轮廓
longest_contour = list(filter(lambda x: len(x) == max_len, contours))
cv2.drawContours(img_contour, longest_contour, -1, (0, 255, 0), 2)
titles = ['Original Binary', 'contour']
imgs = [img, img_contour]
for i in range(2):
plt.subplot(1, 2, i + 1), plt.imshow(imgs[i], cmap='gray'), plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
轮廓效果图
图像矩 Image Moments
图像矩保存了一个像素集（在这里就是contour）的一系列矩信息，用于计算该像素集的中心，面积等几何数据。
cv2.moments(contour)
以上面的实例为基础，我们看一下moments当中到底存了写什么内容
moments = cv2.moments(longest_contour[0])
下图列出了最长轮廓的所有矩信息，每个属性具体的定义请参考上面的链接。我们需要知道的是其他几何信息如中心坐标，轮廓面积都可以根据这些矩进行计算。矩的使用场景不多，因为计算面积等简单的稽核数据有直接的方法。
Moments
轮廓面积
area = cv2.contourArea(contour)
轮廓周长
perimeter = cv2.arcLength(contour, closed)
# closed: bool 是否将第一个和最后一个像素连接封闭
轮廓简化
大多数情况下，轮廓过于细节化，需要对轮廓进行简化，即减少轮廓像素的个数
approx = cv2.approxPolyDP(contour, epsilon, close)
# epsilon 简化的系数 epsilon越大，越简化
# close bool
轮廓凸包
获取轮廓的凸包
hull = cv2.convexHull(contour)
实例
继续上面的实例，对最长的轮廓进行简化
import cv2
import numpy as np
from matplotlib import pyplot as plt
img = cv2.imread('laugh.jpg', cv2.IMREAD_GRAYSCALE)
img = cv2.bilateralFilter(img, 21, 75, 75)
laplacian = cv2.convertScaleAbs(cv2.Laplacian(img, cv2.CV_64F))
_, img = cv2.threshold(laplacian, 20, 255, cv2.THRESH_BINARY)
_, contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
img_contour_1 = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
img_contour_2 = np.copy(img_contour_1)
img_contour_3 = np.copy(img_contour_1)
max_len = max(map(lambda x: len(x), contours))
longest_contour = list(filter(lambda x: len(x) == max_len, contours))
epsilon_1 = 0.01 * cv2.arcLength(longest_contour[0], True)
epsilon_2 = 0.02 * cv2.arcLength(longest_contour[0], True)
approx_1 = cv2.approxPolyDP(longest_contour[0], epsilon_1, True)
approx_2 = cv2.approxPolyDP(longest_contour[0], epsilon_2, True)
hull = cv2.convexHull(longest_contour[0])
cv2.drawContours(img_contour_1, list([approx_1]), -1, (0, 255, 0), 2)
cv2.drawContours(img_contour_2, list([approx_2]), -1, (0, 255, 0), 2)
cv2.drawContours(img_contour_3, list([hull]), -1, (0, 255, 0), 2)
titles = ['Original Binary', 'approx_epsilon_smaller', 'approx_epsilon_bigger', 'hull']
imgs = [img, img_contour_1, img_contour_2, img_contour_3]
for i in range(4):
plt.subplot(2, 2, i + 1), plt.imshow(imgs[i], cmap='gray'), plt.title(titles[i])
plt.xticks([]), plt.yticks([])
plt.show()
轮廓简化及凸包效果图
网友评论