目錄

目標(biāo)

1. 特征矩

2、輪廓質(zhì)心

3. 輪廓面積

4. 輪廓周長(zhǎng)

5. 輪廓近似

6. 輪廓凸包

7. 邊界矩形

7.1.直角矩形

7.2. 旋轉(zhuǎn)矩形

8. 最小閉合圈

9. 擬合一個(gè)橢圓

10. 擬合直線

---

目標(biāo)

????????在本文中，我們將學(xué)習(xí) - 如何找到輪廓的不同特征，例如面積，周長(zhǎng)，質(zhì)心，邊界框等。 - 您將看到大量與輪廓有關(guān)的功能。

1. 特征矩

????????特征矩可以幫助您計(jì)算一些特征，例如物體的質(zhì)心，物體的面積等。請(qǐng)查看特征矩上的維基百科頁(yè)面。函數(shù) cv.moments() 提供了所有計(jì)算出的矩值的字典。見(jiàn)下文：

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

????????從這一刻起，您可以提取有用的數(shù)據(jù)，例如面積，質(zhì)心等。

2、輪廓質(zhì)心

????????質(zhì)心由關(guān)系給出，cx=M10/M00?和 cy=M01/M00?？梢园凑找韵虏襟E進(jìn)行，第一個(gè)示例為簡(jiǎn)單的檢測(cè)單個(gè)輪廓，第二個(gè)示例能檢測(cè)圖片中的多個(gè)輪廓。

import numpy as np
import cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)
print( M )cx = int(M['m10']/M['m00'])
cy = int(M['m01']/M['m00'])print('輪廓的質(zhì)心坐標(biāo)為:(%d,%d) '%cx %cy)

import cv2  
import numpy as np  # 讀取圖像  
image = cv2.imread('7.jpg')  # 轉(zhuǎn)換為灰度圖像  
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  # 應(yīng)用閾值來(lái)獲取二值圖像  
_, thresholded = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  # 查找輪廓  
contours, _ = cv2.findContours(thresholded, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  # 遍歷每個(gè)輪廓  
for contour in contours:  # 計(jì)算輪廓的矩  M = cv2.moments(contour)  # 檢查矩是否存在（輪廓不為空）  if M["m00"] != 0:  # 計(jì)算質(zhì)心  cX = int(M["m10"] / M["m00"])  cY = int(M["m01"] / M["m00"])  # 在圖像上繪制質(zhì)心  cv2.circle(image, (cX, cY), 5, (255, 0, 0), -1)  cv2.putText(image, "centroid", (cX - 25, cY - 25), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 0, 0), 2)  # 顯示結(jié)果圖像  
cv2.imshow('Image with Centroids', image)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

3. 輪廓面積

????????輪廓區(qū)域由函數(shù) cv.contourArea() 或從矩?M['m00']?中給出。

import numpy as np
import cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)
print( M )area = cv.contourArea(cnt) 

4. 輪廓周長(zhǎng)

????????也稱為弧長(zhǎng)?？梢允褂?cv.arcLength() 函數(shù)找到它。第二個(gè)參數(shù)指定形狀是閉合輪廓(True)還是曲線。

import numpy as np
import cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)
print( M )perimeter = cv.arcLength(cnt,True)

5. 輪廓近似

????????根據(jù)我們指定的精度，它可以將輪廓形狀近似為頂點(diǎn)數(shù)量較少的其他形狀。它是Douglas-Peucker算法的實(shí)現(xiàn)。檢查維基百科頁(yè)面上的算法和演示。

????????為了理解這一點(diǎn)，假設(shè)您試圖在圖像中找到一個(gè)正方形，但是由于圖像中的某些問(wèn)題，您沒(méi)有得到一個(gè)完美的正方形，而是一個(gè)“壞形狀”（如下圖所示）?，F(xiàn)在，您可以使用此功能來(lái)近似形狀。在這種情況下，第二個(gè)參數(shù)稱為epsilon，它是從輪廓到近似輪廓的最大距離。它是一個(gè)精度參數(shù)。需要正確選擇epsilon才能獲得正確的輸出。

import numpy as np
import cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)
print( M )epsilon = 0.1*cv.arcLength(cnt,True) 
approx = cv.approxPolyDP(cnt,epsilon,True)

????????在第二張圖片中，綠線顯示了ε=弧長(zhǎng)的10％時(shí)的近似曲線。第三幅圖顯示了ε=弧長(zhǎng)度的1％時(shí)的情況。第三個(gè)參數(shù)指定曲線是否閉合。?

6. 輪廓凸包

????????凸包外觀看起來(lái)與輪廓逼近相似，但不相似（在某些情況下兩者可能提供相同的結(jié)果）。在這里，cv.convexHull()函數(shù)檢查曲線是否存在凸凹缺陷并對(duì)其進(jìn)行校正。一般而言，凸曲線是始終凸出或至少平坦的曲線。如果在內(nèi)部凸出，則稱為凸度缺陷。例如，檢查下面的手的圖像。紅線顯示手的凸包。雙向箭頭標(biāo)記顯示凸度缺陷，這是凸包與輪廓線之間的局部最大偏差。

import numpy as np
import cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)
print( M )hull = cv.convexHull(cnt) 

????????但是，如果要查找凸度缺陷，則需要傳遞returnPoints = False。為了理解它，我們將拍攝上面的矩形圖像。首先，我發(fā)現(xiàn)它的輪廓為cnt。現(xiàn)在，我發(fā)現(xiàn)它的帶有returnPoints = True的凸包，得到以下值：[[[234 202]]，[[51 202]]，[[51 79]]，[[234 79]]]，它們是四個(gè)角 矩形的點(diǎn)。現(xiàn)在，如果對(duì)returnPoints = False執(zhí)行相同的操作，則會(huì)得到以下結(jié)果：[[129]，[67]，[0]，[142]]。這些是輪廓中相應(yīng)點(diǎn)的索引。例如，檢查第一個(gè)值：cnt [129] = [[234，202]]與第一個(gè)結(jié)果相同（對(duì)于其他結(jié)果依此類推）。

7. 邊界矩形

有兩種類型的邊界矩形。

7.1.直角矩形

????????它是一個(gè)矩形，不考慮物體的旋轉(zhuǎn)。所以邊界矩形的面積不是最小的。它是由函數(shù)cv.boundingRect()找到的。

????????令(x，y)為矩形的左上角坐標(biāo)，而(w，h)為矩形的寬度和高度。

import numpy as np
import cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)
print( M )x,y,w,h = cv.boundingRect(cnt)
cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

7.2. 旋轉(zhuǎn)矩形

????????這里，邊界矩形是用最小面積繪制的，所以它也考慮了旋轉(zhuǎn)。使用函數(shù)是 cv.minAreaRect()。它返回一個(gè)Box2D結(jié)構(gòu)，其中包含以下細(xì)節(jié) -(中心(x,y)，(寬度，高度)，旋轉(zhuǎn)角度)。但要畫出這個(gè)矩形，我們需要矩形的四個(gè)角。它由函數(shù) cv.boxPoints() 獲得：

import numpy as np
import cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)
print( M )rect = cv.minAreaRect(cnt)
box = cv.boxPoints(rect)
box = np.int0(box)
cv.drawContours(img,[box],0,(0,0,255),2)

????????兩個(gè)矩形都顯示在一張單獨(dú)的圖像中。綠色矩形顯示正常的邊界矩形。紅色矩形是旋轉(zhuǎn)后的矩形。

8. 最小閉合圈

????????接下來(lái)，使用函數(shù) cv.minEnclosingCircle() 查找對(duì)象的圓周。它是一個(gè)以最小面積完全覆蓋物體的圓。

import numpy as np
import cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)
print( M )(x,y),radius = cv.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
cv.circle(img,center,radius,(0,255,0),2)

?

9. 擬合一個(gè)橢圓

????????下一個(gè)是把一個(gè)橢圓擬合到一個(gè)物體上。它返回內(nèi)接橢圓的旋轉(zhuǎn)矩形。

import numpy as np
import cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)
print( M )ellipse = cv.fitEllipse(cnt)
cv.ellipse(img,ellipse,(0,255,0),2)

?

10. 擬合直線

????????同樣，我們可以將一條直線擬合到一組點(diǎn)。下圖包含一組白點(diǎn)。我們可以近似一條直線。

import numpy as np
import cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)
print( M )rows,cols = img.shape[:2]
[vx,vy,x,y] = cv.fitLine(cnt, cv.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
cv.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)

12. 長(zhǎng)寬比

????????它是對(duì)象邊界矩形的寬度與高度的比值。

x,y,w,h = cv.boundingRect(cnt)
aspect_ratio = float(w)/h

12. 范圍

????????范圍是輪廓區(qū)域與邊界矩形區(qū)域的比值。

area = cv.contourArea(cnt)
x,y,w,h = cv.boundingRect(cnt)
rect_area = w*h
extent = float(area)/rect_area

13. 堅(jiān)實(shí)度

????????堅(jiān)實(shí)度是等高線面積與其凸包面積之比。

area = cv.contourArea(cnt)
hull = cv.convexHull(cnt)
hull_area = cv.contourArea(hull)
solidity = float(area)/hull_area

14. 等效直徑

????????等效直徑是面積與輪廓面積相同的圓的直徑。

area = cv.contourArea(cnt)
equi_diameter = np.sqrt(4*area/np.pi)

15. 取向

????????取向是物體指向的角度。以下方法還給出了主軸和副軸的長(zhǎng)度。

(x,y),(MA,ma),angle = cv.fitEllipse(cnt)

16. 掩碼和像素點(diǎn)

????????在某些情況下，我們可能需要構(gòu)成該對(duì)象的所有點(diǎn)?？梢园凑找韵虏襟E完成：

mask = np.zeros(imgray.shape,np.uint8)
cv.drawContours(mask,[cnt],0,255,-1)
pixelpoints = np.transpose(np.nonzero(mask))
#pixelpoints = cv.findNonZero(mask)

????????這里提供了兩個(gè)方法，一個(gè)使用Numpy函數(shù)，另一個(gè)使用OpenCV函數(shù)(最后的注釋行)。結(jié)果也是一樣的，只是略有不同。Numpy給出的坐標(biāo)是(行、列)格式，而OpenCV給出的坐標(biāo)是(x,y)格式。所以基本上答案是可以互換的。注意，row = x, column = y。

17. 最大值，最小值和它們的位置

????????我們可以使用掩碼圖像找到這些參數(shù)。

min_val, max_val, min_loc, max_loc = cv.minMaxLoc(imgray,mask = mask)

18. 平均顏色或平均強(qiáng)度

????????在這里，我們可以找到對(duì)象的平均顏色。或者可以是灰度模式下物體的平均強(qiáng)度。我們?cè)俅问褂孟嗤难诖a進(jìn)行此操作。

mean_val = cv.mean(im,mask = mask)

19. 極端點(diǎn)

????????極點(diǎn)是指對(duì)象的最頂部，最底部，最右側(cè)和最左側(cè)的點(diǎn)。

leftmost = tuple(cnt[cnt[:,:,0].argmin()][0])
rightmost = tuple(cnt[cnt[:,:,0].argmax()][0])
topmost = tuple(cnt[cnt[:,:,1].argmin()][0])
bottommost = tuple(cnt[cnt[:,:,1].argmax()][0])

????????例如，如果我將其應(yīng)用于印度地圖，則會(huì)得到以下結(jié)果：?