「这是我参与2022首次更文挑战的第27天，活动详情查看：2022首次更文挑战」
前言
在计算机视觉领域，轮廓通常指图像中对象边界的一系列点。因此，轮廓通常描述了对象边界的关键信息，包含了有关对象形状的主要信息，该信息可用于形状分析与对象检测和识别。我们已经在《OpenCV轮廓检测详解》中介绍了如何检测和绘制轮廓，在本文中，我们将继续学习如何利用获取到的轮廓，进行形状分析以及对象检测和识别。
轮廓绘制
在《OpenCV图像矩详解》中，我们介绍了如何从图像矩计算获取轮廓属性(例如，质心，面积，圆度或偏心等)。除此之外，OpenCV 还提供了一些其他用于进一步描述轮廓的函数。
cv2.boundingRect() 返回包含轮廓所有点的最小边界矩形：
x, y, w, h = cv2.boundingRect(contours[0])
cv2.minAreaRect() 返回包含轮廓所有点的最小旋转(如有必要)矩形：
rotated_rect = cv2.minAreaRect(contours[0])
为了提取旋转矩形的四个点，可以使用 cv2.boxPoints() 函数，返回旋转矩形的四个顶点：
box = cv2.boxPoints(rotated_rect)
cv2.minEnclosingCircle() 返回包含轮廓所有点的最小圆(该函数返回圆心和半径)：
(x, y), radius = cv2.minEnclosingCircle(contours[0])
cv2.fitEllipse() 返回包含轮廓所有点的椭圆(具有最小平方误差)：
ellipse = cv2.fitEllipse(contours[0])
cv2.approxPolyDP() 基于给定精度返回给定轮廓的轮廓近似，此函数使用 Douglas-Peucker 算法：
approx = cv2.approxPolyDP(contours[0], epsilon, True)
其中，epsilon 参数用于确定精度，确定原始曲线之间的最大距离及其近似。因此，由此产生的轮廓是类似于给定的轮廓的压缩轮廓。
接下来，我们使用与轮廓相关的 OpenCV 函数计算给定轮廓的外端点，在具体讲解代码时，首先看下结果图像，以更好的理解上述函数：
首先编写 extreme_points() 用于计算定义给定轮廓的四个外端点：
def extreme_points(contour):
"""检测轮廓的极值点"""
extreme_left = tuple(contour[contour[:, :, 0].argmin()][0])
extreme_right = tuple(contour[contour[:, :, 0].argmax()][0])
extreme_top = tuple(contour[contour[:, :, 1].argmin()][0])
extreme_bottom = tuple(contour[contour[:, :, 1].argmax()][0])
return extreme_left, extreme_right, extreme_top, extreme_bottom
np.argmin() 沿轴返回最小值的索引，在多个出现最小值的情况下返回第一次出现的索引；而 np.argmax() 返回最大值的索引。一旦索引 index 计算完毕，就可以利用索引获取阵列的相应元素(例如，contour[index]——[[40 320]] )，如果要访问第一个元素，则使用 contour[index][0]——[40 320]；最后，我们将其转换为元组：tuple(contour[index][0]——(40,320)，用以绘制轮廓点。
def array_to_tuple(arr):
"""将列表转换为元组"""
return tuple(arr.reshape(1, -1)[0])
def draw_contour_points(img, cnts, color):
"""绘制所有检测到的轮廓点"""
for cnt in cnts:
squeeze = np.squeeze(cnt)
for p in squeeze:
pp = array_to_tuple(p)
cv2.circle(img, pp, 10, color, -1)
return img
def draw_contour_outline(img, cnts, color, thickness=1):
"""绘制所有轮廓"""
for cnt in cnts:
cv2.drawContours(img, [cnt], 0, color, thickness)
def show_img_with_matplotlib(color_img, title, pos):
"""图像可视化"""
img_RGB = color_img[:, :, ::-1]
ax = plt.subplot(2, 3, pos)
plt.imshow(img_RGB)
plt.title(title, fontsize=8)
plt.axis('off')
# 加载图像并转换为灰度图像
image = cv2.imread("example.png")
gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 阈值处理转化为二值图像
ret, thresh = cv2.threshold(gray_image, 60, 255, cv2.THRESH_BINARY)
# 利用二值图像检测图像中的轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
# 显示检测到的轮廓数
print("detected contours: '{}' ".format(len(contours)))
# 创建原始图像的副本以执行可视化
boundingRect_image = image.copy()
minAreaRect_image = image.copy()
fitEllipse_image = image.copy()
minEnclosingCircle_image = image.copy()
approxPolyDP_image = image.copy()
# 1. cv2.boundingRect()
x, y, w, h = cv2.boundingRect(contours[0])
cv2.rectangle(boundingRect_image, (x, y), (x + w, y + h), (0, 255, 0), 5)
# 2. cv2.minAreaRect()
rotated_rect = cv2.minAreaRect(contours[0])
box = cv2.boxPoints(rotated_rect)
box = np.int0(box)
cv2.polylines(minAreaRect_image, [box], True, (0, 0, 255), 5)
# 3. cv2.minEnclosingCircle()
(x, y), radius = cv2.minEnclosingCircle(contours[0])
center = (int(x), int(y))
radius = int(radius)
cv2.circle(minEnclosingCircle_image, center, radius, (255, 0, 0), 5)
# 4. cv2.fitEllipse()
ellipse = cv2.fitEllipse(contours[0])
cv2.ellipse(fitEllipse_image, ellipse, (0, 255, 255), 5)
# 5. cv2.approxPolyDP()
epsilon = 0.01 * cv2.arcLength(contours[0], True)
approx = cv2.approxPolyDP(contours[0], epsilon, True)
draw_contour_outline(approxPolyDP_image, [approx], (255, 255, 0), 5)
draw_contour_points(approxPolyDP_image, [approx], (255, 0, 255))
# 检测轮廓的极值点
left, right, top, bottom = extreme_points(contours[0])
cv2.circle(image, left, 20, (255, 0, 0), -1)
cv2.circle(image, right, 20, (0, 255, 0), -1)
cv2.circle(image, top, 20, (0, 255, 255), -1)
cv2.circle(image, bottom, 20, (0, 0, 255), -1)
# 可视化
show_img_with_matplotlib(image, "image and extreme points", 1)
show_img_with_matplotlib(boundingRect_image, "cv2.boundingRect()", 2)
show_img_with_matplotlib(minAreaRect_image, "cv2.minAreaRect()", 3)
show_img_with_matplotlib(minEnclosingCircle_image, "cv2.minEnclosingCircle()", 4)
show_img_with_matplotlib(fitEllipse_image, "cv2.ellipse()", 5)
show_img_with_matplotlib(approxPolyDP_image, "cv2.approxPolyDP()", 6)
plt.show()
我们还可以测试在其他图像上的效果：
