1.1什么是轮廓
轮廓能够简单认为成连续的点（连着边界）连在一块儿的曲线，具备相同的颜色或者灰度。轮廓在形状分析和物体的检测和识别中颇有用。python

  • 为了准确，要使用二值化图像。须要进行阀值化处理或者Canny边界检测。
  • 查找轮廓的函数会修改原始图像。若是以后想继续使用原始图像，应该将原始图像储存到其余变量中。
  • 在OpenCV中，查找轮廓就像在黑色背景中超白色物体。你应该记住，要找的物体应该是白色而背景应该是黑色。
    如何在一个二值图像中查找轮廓。
    函数cv2.findContours()有三个参数，第一个是输入图像，第二个是轮廓检索模式，第三个是轮廓近似方法。返回值有三个，第一个是图像，第二个是轮廓，第三个是（轮廓的）层析结构。轮廓（第二个返回值）是一个Python列表，其中储存这图像中全部轮廓。每个轮廓都是一个Numpy数组，包含对象边界点（x，y）的坐标。
    1.2怎样绘制轮廓
    函数cv2.drawContours()能够被用来绘制轮廓。它能够根据你提供的边界点绘制任何形状。它的第一个参数是原始图像，第二个参数是轮廓，一个python列表，第三个参数是轮廓的索引（在绘制独立轮廓是颇有用，当设置为-1时绘制全部轮廓）。接下来的参数是轮廓的颜色和厚度。
    在一幅图像上绘制全部的轮廓：
import numpy as np
import cv2

img = cv2.imread('1024.jpg') imgray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(imgray,127,255,0) image ,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) #绘制独立轮廓，如第四个轮廓 #imag = cv2.drawContour(img,contours,-1,(0,255,0),3) #可是大多数时候，下面方法更有用 imag = cv2.drawContours(img,contours,3,(0,255,0),3) while(1): cv2.imshow('img',img) cv2.imshow('imgray',imgray) cv2.imshow('image',image) cv2.imshow('imag',imag) if cv2.waitKey(1) == ord('q'): break cv2.destroyAllWindows()

1.3轮廓的近似方法
以前提到轮廓是一个形状具备相同灰度值的边界，它会存储形状边界上全部的（x,y）坐标。实际上咱们不须要全部的点，当须要直线时，找到两个端点便可。cv2.CHAIN_APPROX_SIMPLE能够实现。它会将轮廓上的冗余点去掉，压缩轮廓，从而节省内存开支。
下面用矩阵来演示，在轮廓列表中的每个坐标上画一个蓝色圆圈。第一个显示使用cv2.CHAIN_APPROX_NONE的效果，一共734个点，第二个图是使用cv2.CHAIN_APPROX_SIMPLE的结果，只有4个点。
算法

2.轮廓特征
2.1矩
图像的矩能够帮助咱们计算图像的质心，面积等。
函数cv2.moments()会将计算获得的矩以一个字典的形式返回。数组

import numpy as np
import cv2

img = cv2.imread('1024.jpg',0) ret,thresh = cv2.threshold(img,127,255,0) image,contours,hierarchy=cv2.findContours(thresh,1,2) cnt=contours[0] M=cv2.moments(cnt) print(M)

根据这些矩的值，咱们能够计算出对象的重心：app

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

2.2轮廓面积
可使用函数cv2.contourArea()计算获得，也能够用矩（0阶矩），M['m00']。函数

area=cv2.contourArea(cnt)

2.3轮廓周长
也被称为弧长。可使用函数cv2.arcLength()计算获得。这个函数的第二参数能够用来指定对象的形状是闭合的（True），仍是打开的（一条曲线）。ui

perimeter = cv2.arcLength(cnt,True)

2.4轮廓近似
将轮廓形状近似到另一种由更少点组成的轮廓形状，新轮廓的点的数目由咱们设定的准确度来决定，使用的Douglas-Peucker算法，能够本身Google。
假设咱们要在一幅图像中查找一个矩形，可是因为图像的种种缘由咱们不能获得一个完美的矩形，而是一个“坏形状”，如今就可使用这个函数来近似这个形状，第二个参数是epsilon，它是从原始轮廓到近似轮廓的最大距离，它是一个准确度参数。spa

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

2.5凸包
凸包与轮廓近似类似，但不一样，虽然有些状况下它们给出的结果是同样的。函数cv2.convexHull()能够用来检测一个曲线是否具备凸性缺陷，并能纠正缺陷。通常来讲，凸性曲线老是凸出来的，至少是平的。若是有地方凹进去了就被叫作凸性缺陷。例以下图中的手，红色曲线显示了手的凸包，凸性缺陷被双箭头标出来了。
3d

hull = cv2.convexHull(points,hull,clockwise,returnPoints)

参数：code

  • points咱们要传入的轮廓
  • hull输出，一般不须要
  • clockwise方向标志，若是设置为True，输出的凸包是顺时针方向的，不然为逆时针方向。
  • returnPoints默认值为True。它会返回凸包上点的坐标，若是设置为False，就会返回与凸包点对应的轮廓上的点。
    要得到上图的凸包，能够用下面命令：
hull=cv2.convexHull(cnt)

可是若是你想得到凸性缺陷，须要把returnPoints设置为False。以上面矩形为例，首先咱们找到他的轮廓从cnt。如今把returnPoints设置为True查找凸包，获得的就是矩形的四个角点。把returnPoints设置为False，获得的是轮廓点的索引。
2.6凸性检测
函数cv2.isContourConvex()能够检测一个曲线是否是凸的。它只能返回True或者False。对象

k=cv2.isContourConvex(cnt)

2.7边界矩形
直边界矩形，一个直矩形，没有旋转。不会考虑对象是否旋转。因此边界矩形的面积不是最小的。可使用函数cv2.boundingRect()查找获得

#（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)

旋转的边界矩形，这个边界矩形是面积最小的，由于它考虑了对象的旋转。用函数cv2.minAreaRect()。返回的是一个Box2D结构，其中包含矩形最上角角点坐标（x，y）矩形的宽和高（w,h）以及旋转角度。可是要绘制这个矩形须要矩形的4个角点，能够经过函数cv2.boxPoints()得到。
其中绿色的为直矩形，红色为旋转矩形。

2.8最小外接圆
函数cv2.minEnclosingCircle()能够帮咱们找到一个对象的外接圆。它是全部可以包括对象的圆中面积最小的一个。

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

2.9椭圆拟合
使用函数cv2.ellipse()，返回值其实就是旋转边界矩形的内切圆。

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

2.10直线拟合
能够根据一组点拟合出一条直线，一样咱们也能够为图像中的白色点拟合出一条直线。

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) img = cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)