Python 圖像處理 OpenCV （15）：圖像輪廓
引言
其實蠻不好意思的，剛才翻了翻自己的博客，上次寫 OpenCV 的文章已經(jīng)接近半個月以前了，我用 3 秒鐘的時間回想了下最近兩星期時間都花在哪了。
每次思考這種問題總會下意識甩鍋給工作，最近工作忙的一批，emmmmmmmmmmmm。。。。。。。。。
這么騙自己是不對的！
實際上是美劇真香，最近把「反擊」從第一季到第六季看了一遍，還不錯，喜歡看動作類的同學(xué)可以嘗試下。
本篇文章是關(guān)于圖像處理輪廓方面的，下面開始正文，希望能幫到各位。
Q：什么是輪廓？
A：輪廓是一系列相連的點組成的曲線，代表了物體的基本外形，相對于邊緣，輪廓是連續(xù)的，邊緣并不全部連續(xù)。
尋找輪廓
尋找輪廓 OpenCV 為我們提供了一個現(xiàn)成的函數(shù) findContours() 。
在 OpenCV 中，輪廓提取函數(shù) findContours() 實現(xiàn)的是 1985 年由一名叫做 Satoshi Suzuki 的人發(fā)表的一篇論文中的算法，如下：
Satoshi Suzuki and others. Topological structural analysis of digitized binary images by border following. Computer Vision, Graphics, and Image Processing, 30(1):32–46, 1985.
對原理感興趣的同學(xué)可以去搜搜看，不是很難理解。
先看一個示例代碼：
import cv2 as cv
img = cv.imread("black.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
print(len(contours[0]))
這段代碼先用 threshold() 對圖像進行降噪處理，它的原型函數(shù)如下：
retval, dst = cv.threshold(src, thresh, maxval, type[, dst] )
dst：結(jié)果圖像。 src：原圖像。 thresh：當(dāng)前閾值。 maxVal：最大閾值，一般為255。 type：閾值類型，可選值如下：
enum ThresholdTypes {
THRESH_BINARY = 0, # 大于閾值的部分被置為 255 ，小于部分被置為 0
THRESH_BINARY_INV = 1, # 大于閾值部分被置為 0 ，小于部分被置為 255
THRESH_TRUNC = 2, # 大于閾值部分被置為 threshold ，小于部分保持原樣
THRESH_TOZERO = 3, # 小于閾值部分被置為 0 ，大于部分保持不變
THRESH_TOZERO_INV = 4, # 大于閾值部分被置為 0 ，小于部分保持不變
THRESH_OTSU = 8, # 自動處理，圖像自適應(yīng)二值化，常用區(qū)間 [0,255]
};
查找輪廓使用的函數(shù)為 findContours() ，它的原型函數(shù)如下：
cv2.findContours(image,?mode,?method[,?contours[,?hierarchy[,?offset?]]])??
image：源圖像。 mode：表示輪廓檢索模式。
cv2.RETR_EXTERNAL 表示只檢測外輪廓。
cv2.RETR_LIST 檢測的輪廓不建立等級關(guān)系。
cv2.RETR_CCOMP 建立兩個等級的輪廓，上面的一層為外邊界，里面的一層為內(nèi)孔的邊界信息。如果內(nèi)孔內(nèi)還有一個連通物體，這個物體的邊界也在頂層。
cv2.RETR_TREE 建立一個等級樹結(jié)構(gòu)的輪廓。
method：表示輪廓近似方法。
cv2.CHAIN_APPROX_NONE 存儲所有的輪廓點。
cv2.CHAIN_APPROX_SIMPLE 壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標(biāo)，例如一個矩形輪廓只需4個點來保存輪廓信息。
這里可以使用 print(len(contours[0])) 函數(shù)將包含的點的數(shù)量打印出來，比如在上面的示例中，使用參數(shù) cv2.CHAIN_APPROX_NONE 輪廓點有 1382 個，而使用參數(shù) cv2.CHAIN_APPROX_SIMPLE 則輪廓點只有 4 個。
繪制輪廓
繪制輪廓使用到的 OpenCV 為我們提供的 drawContours() 這個函數(shù)，下面是它的三個簡單的例子：
# To draw all the contours in an image:
cv2.drawContours(img, contours, -1, (0,255,0), 3)
# To draw an individual contour, say 4th contour:
cv2.drawContours(img, contours, 3, (0,255,0), 3)
# But most of the time, below method will be useful:
cnt = contours[4]
cv2.drawContours(img, [cnt], 0, (0,255,0), 3)
drawContours() 函數(shù)中有五個參數(shù)：
第一個參數(shù)是源圖像。 第二個參數(shù)是應(yīng)該包含輪廓的列表。 第三個參數(shù)是列表索引，用來選擇要繪制的輪廓，為-1時表示繪制所有輪廓。 第四個參數(shù)是輪廓顏色。 第五個參數(shù)是輪廓線的寬度，為 -1 時表示填充。
我們接著前面的示例把使用 findContours() 找出來的輪廓繪制出來：
import cv2 as cv
img = cv.imread("black.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow("img", img)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
print(len(contours[0]))
# 繪制綠色輪廓
cv.drawContours(img, contours, -1, (0,255,0), 3)
cv.imshow("draw", img)
cv.waitKey(0)
cv.destroyAllWindows()
特征矩
特征矩可以幫助我們計算一些圖像的特征，例如物體的質(zhì)心，物體的面積等，使用的函數(shù)為 moments() 。
moments() 函數(shù)會將計算得到的矩以字典形式返回。
import cv2 as cv
img = cv.imread("number.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
# 獲取圖像矩
M = cv.moments(cnt)
print(M)
# 質(zhì)心
cx = int(M['m10'] / M['m00'])
cy = int(M['m01'] / M['m00'])
print(f'質(zhì)心為：[{cx}, {cy}]')
這時，我們?nèi)〉昧诉@個圖像的矩，矩 M 中包含了很多輪廓的特征信息，除了示例中展示的質(zhì)心的計算，還有如 M['m00'] 表示輪廓面積。
輪廓面積
area = cv.contourArea(cnt)
print(f'輪廓面積為:{area}')
這里取到的輪廓面積和上面 M['m00'] 保持一致。
輪廓周長
perimeter = cv.arcLength(cnt, True)
print(f'輪廓周長為:{perimeter}')
參數(shù) True 表示輪廓是否封閉，我們這里的輪廓是封閉的，所以這里寫 True 。
輪廓外接矩形
輪廓外接矩形分為正矩形和最小矩形。使用 cv2.boundingRect(cnt) 來獲取輪廓的外接正矩形，它不考慮物體的旋轉(zhuǎn)，所以該矩形的面積一般不會最小；使用 cv.minAreaRect(cnt) 可以獲取輪廓的外接最小矩形。
兩者的區(qū)別如上圖，綠線代表的是外接正矩形，紅線代表的是外接最小矩形，代碼如下：
import cv2 as cv
import numpy as np
img = cv.imread("number.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
# 外接正矩形
x, y, w, h = cv.boundingRect(cnt)
cv.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
# 外接最小矩形
min_rect = cv.minAreaRect(cnt)
print(min_rect)
box = cv.boxPoints(min_rect)
box = np.int0(box)
cv.drawContours(img, [box], 0, (0, 0, 255), 2)
cv.imshow("draw", img)
cv.waitKey(0)
cv.destroyAllWindows()
boundingRect() 函數(shù)的返回值包含四個值，矩形框左上角的坐標(biāo) (x, y) 、寬度 w 和高度 h 。
minAreaRect() 函數(shù)的返回值中還包含旋轉(zhuǎn)信息，返回值信息為包括中心點坐標(biāo) (x,y) ，寬高 (w, h) 和旋轉(zhuǎn)角度。
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數(shù)量較少的其他形狀。它是由 Douglas-Peucker 算法實現(xiàn)的。
OpenCV 提供的函數(shù)是 approxPolyDP(cnt, epsilon, True) ，第二個參數(shù) epsilon 用于輪廓近似的精度，表示原始輪廓與其近似輪廓的最大距離，值越小，近似輪廓越擬合原輪廓。第三個參數(shù)指定近似輪廓是否是閉合的。具體用法如下：
import cv2 as cv
img = cv.imread("number.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
# 計算 epsilon ，按照周長百分比進行計算，分別取周長 1% 和 10%
epsilon_1 = 0.1 * cv.arcLength(cnt, True)
epsilon_2 = 0.01 * cv.arcLength(cnt, True)
# 進行多邊形逼近
approx_1 = cv.approxPolyDP(cnt, epsilon_1, True)
approx_2 = cv.approxPolyDP(cnt, epsilon_2, True)
# 畫出多邊形
image_1 = cv.cvtColor(gray_img, cv.COLOR_GRAY2BGR)
image_2 = cv.cvtColor(gray_img, cv.COLOR_GRAY2BGR)
cv.polylines(image_1, [approx_1], True, (0, 0, 255), 2)
cv.polylines(image_2, [approx_2], True, (0, 0, 255), 2)
cv.imshow("image_1", image_1)
cv.imshow("image_2", image_2)
cv.waitKey(0)
cv.destroyAllWindows()
第一張圖是 epsilon 為原始輪廓周長的 10% 時的近似輪廓，第二張圖中綠線就是 epsilon 為原始輪廓周長的 1% 時的近似輪廓。
輪廓凸包
凸包外觀看起來與輪廓逼近相似，只不過它是物體最外層的「凸」多邊形。
如下圖，紅色的部分為手掌的凸包，雙箭頭部分表示凸缺陷(Convexity Defects)，凸缺陷常用來進行手勢識別等。
import cv2 as cv
img = cv.imread("number.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
# 繪制輪廓
image = cv.cvtColor(gray_img, cv.COLOR_GRAY2BGR)
cv.drawContours(image, contours, -1, (0, 0 , 255), 2)
# 尋找凸包，得到凸包的角點
hull = cv.convexHull(cnt)
# 繪制凸包
cv.polylines(image, [hull], True, (0, 255, 0), 2)
cv.imshow("image", image)
cv.waitKey(0)
cv.destroyAllWindows()
還有一個函數(shù)，是可以用來判斷圖形是否凸形的：
print(cv.isContourConvex(hull)) # True
它的返回值是 True 或者 False 。
最小閉合圈
接下來，使用函數(shù) cv.minEnclosingCircle() 查找對象的圓周。它是一個以最小面積完全覆蓋物體的圓。
import cv2 as cv
img = cv.imread("number.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
# 繪制最小外接圓
(x, y), radius = cv.minEnclosingCircle(cnt)
center = (int(x), int(y))
radius = int(radius)
cv.circle(img, center, radius, (0, 255, 0), 2)
cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()
下一個是把一個橢圓擬合到一個物體上。它返回內(nèi)接橢圓的旋轉(zhuǎn)矩形。
ellipse = cv.fitEllipse(cnt)
cv.ellipse(img, ellipse, (0, 255, 0), 2)
參考
https://zhuanlan.zhihu.com/p/61328775
https://zhuanlan.zhihu.com/p/77783347
