cv2.findContours() - 轮廓提取算法 -- OpenCV

发表评论
15504 views

 ›
 ›
 ›
cv2.findContours() - 轮廓提取算法 -- OpenCV



OpenCV 中轮廓提取函数 findContours() 实现的是这篇论文的算法：

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.

论文解决的是对于二值图像的轮廓提取。



轮廓

学习如何寻找并绘制轮廓。

目标

  • 了解轮廓概念
  • 寻找并绘制轮廓
  • OpenCV 函数：cv2.findContours(), cv2.drawContours()

教程

啥叫轮廓

轮廓是一系列相连的点组成的曲线，代表了物体的基本外形。

谈起轮廓不免想到边缘，它们确实很像。简单的说，轮廓是连续的，边缘并不全都连续（下图）。其实边缘主要是作为图像的特征使用，比如可以用边缘特征可以区分脸和手，而轮廓主要用来分析物体的形态，比如物体的周长和面积等，可以说边缘包括轮廓。


寻找轮廓的操作一般用于二值化图，所以通常会使用阈值分割或 Canny 边缘检测先得到二值图。

经验之谈：寻找轮廓是针对白色物体的，一定要保证物体是白色，而背景是黑色，不然很多人在寻找轮廓时会找到图片最外面的一个框。

寻找轮廓

使用 cv2.findContours() 寻找轮廓：

import cv2

img = cv2.imread('handwriting.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 寻找二值化图中的轮廓
contours, hierarchy = cv2.findContours(
    thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print(len(contours))  # 结果应该为 2

  • 参数2：轮廓的查找方式，一般使用cv2.RETR_TREE，表示提取所有的轮廓并建立轮廓间的层级。更多请参考：RetrievalModes
  • 参数3：轮廓的近似方法。比如对于一条直线，我们可以存储该直线的所有像素点，也可以只存储起点和终点。使用cv2.CHAIN_APPROX_SIMPLE就表示用尽可能少的像素点表示轮廓。更多请参考：ContourApproximationModes
  • 简便起见，这两个参数也可以直接用真值3和2表示。

函数有 2 个返回值，hierarchy 是轮廓间的层级关系（番外篇：轮廓层级），暂时不用理会。我们主要看 contours，它就是找到的轮廓了，以数组形式存储，记录了每条轮廓的所有像素点的坐标 (x,y)。

绘制轮廓

轮廓找出来后，为了方便观看，可以像前面图中那样用红色画出来：cv2.drawContours()

cv2.drawContours(img, contours, -1, (0, 0, 255), 2)

其中参数 2 就是得到的 contours，参数 3 表示要绘制哪一条轮廓，-1 表示绘制所有轮廓，参数 4 是颜色（B/G/R 通道，所以(0,0,255)表示红色），参数 5 是线宽，之前在绘制图形中介绍过。

经验之谈：很多人画图时明明用了彩色，但没有效果，请检查你是在哪个图上画，画在灰度图和二值图上显然是没有彩色的(⊙o⊙)。

一般情况下，我们会首先获得要操作的轮廓，再进行轮廓绘制及分析：

cnt = contours[1]
cv2.drawContours(img, [cnt], 0, (0, 0, 255), 2)

小结

轮廓特征非常有用，使用 cv2.findContours() 寻找轮廓，cv2.drawContours() 绘制轮廓。



轮廓特征

学习计算轮廓特征，如面积、周长、最小外接矩形等。

目标

  • 计算物体的周长、面积、质心、最小外接矩形等
  • OpenCV 函数：cv2.contourArea(), cv2.arcLength(), cv2.approxPolyDP() 等

教程

在计算轮廓特征之前，我们先用上一节的代码把轮廓找到：

import cv2
import numpy as np

img = cv2.imread('handwriting.jpg', 0)
_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
contours, hierarchy = cv2.findContours(thresh, 3, 2)

# 以数字 3 的轮廓为例
cnt = contours[0]
为了便于绘制，我们创建出两幅彩色图，并把轮廓画在第一幅图上：
img_color1 = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
img_color2 = np.copy(img_color1)
cv2.drawContours(img_color1, [cnt], 0, (0, 0, 255), 2)
轮廓面积
area = cv2.contourArea(cnt)  # 4386.5
注意轮廓特征计算的结果并不等同于像素点的个数，而是根据几何方法算出来的，所以有小数。
如果统计二值图中像素点个数，应尽量避免循环，可以使用cv2.countNonZero()，更加高效。
轮廓周长
perimeter = cv2.arcLength(cnt, True)  # 585.7
参数 2 表示轮廓是否封闭，显然我们的轮廓是封闭的，所以是 True。
图像矩
矩可以理解为图像的各类几何特征，详情请参考：[Image Moments]
M = cv2.moments(cnt)
M 中包含了很多轮廓的特征信息，比如 M['m00'] 表示轮廓面积，与前面 cv2.contourArea() 计算结果是一样的。质心也可以用它来算：
cx, cy = M['m10'] / M['m00'], M['m01'] / M['m00']  # (205, 281)
外接矩形
形状的外接矩形有两种，如下图，绿色的叫外接矩形，表示不考虑旋转并且能包含整个轮廓的矩形。蓝色的叫最小外接矩，考虑了旋转：
x, y, w, h = cv2.boundingRect(cnt)  # 外接矩形
cv2.rectangle(img_color1, (x, y), (x + w, y + h), (0, 255, 0), 2)

rect = cv2.minAreaRect(cnt)  # 最小外接矩形
box = np.int0(cv2.boxPoints(rect))  # 矩形的四个角点取整
cv2.drawContours(img_color1, [box], 0, (255, 0, 0), 2)
其中 np.int0(x) 是把 x 取整的操作，比如 377.93 就会变成 377，也可以用 x.astype(np.int)。
最小外接圆
外接圆跟外接矩形一样，找到一个能包围物体的最小圆：
(x, y), radius = cv2.minEnclosingCircle(cnt)
(x, y, radius) = np.int0((x, y, radius))  # 圆心和半径取整
cv2.circle(img_color2, (x, y), radius, (0, 0, 255), 2)
拟合椭圆
我们可以用得到的轮廓拟合出一个椭圆：
ellipse = cv2.fitEllipse(cnt)
cv2.ellipse(img_color2, ellipse, (255, 255, 0), 2)
形状匹配
cv2.matchShapes() 可以检测两个形状之间的相似度，返回值越小，越相似。先读入下面这张图片：
img = cv2.imread('shapes.jpg', 0)
_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
contours, hierarchy = cv2.findContours(thresh, 3, 2)
img_color = cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR)  # 用于绘制的彩色图
图中有 3 条轮廓，我们用 A/B/C 表示：
cnt_a, cnt_b, cnt_c = contours[0], contours[1], contours[2]
print(cv2.matchShapes(cnt_b, cnt_b, 1, 0.0))  # 0.0
print(cv2.matchShapes(cnt_b, cnt_c, 1, 0.0))  # 2.17e-05
print(cv2.matchShapes(cnt_b, cnt_a, 1, 0.0))  # 0.418
可以看到 BC 相似程度比 AB 高很多，并且图形的旋转或缩放并没有影响。其中，
  • 参数 3 是匹配方法，详情可参考：ShapeMatchModes，
  • 参数 4 是 OpenCV 的预留参数，暂时没有实现，可以不用理会。
形状匹配是通过图像的Hu矩来实现的(cv2.HuMoments())，大家如果感兴趣，可以参考：Hu-Moments
练习
  • 前面我们是对图片中的数字3进行轮廓特征计算的，大家换成数字1看看。
  • （选做）用形状匹配比较两个字母或数字（这相当于很简单的一个OCR噢）。
小结
常用的轮廓特征：
  • cv2.contourArea() 算面积，cv2.arcLength() 算周长，cv2.boundingRect() 算外接矩。
  • cv2.minAreaRect() 算最小外接矩，cv2.minEnclosingCircle() 算最小外接圆。
  • cv2.matchShapes() 进行形状匹配。
接口文档
引用













reference

https://zhuanlan.zhihu.com/p/107257870