轮廓介绍

轮廓是连接具有相同颜色或强度的所有连续点（沿边界）的曲线，轮廓是用于形状分析以及对象及检测和识别的有用工具。
为了获取更高的准确性，会先进行二值化处理，在得到二进制图像后，寻找轮廓就是从黑色背景中找到白色物体，因此我们要找的对象应是白色，背景应该是黑色。

寻找并绘制轮廓

通过分析出物体对象后，找出物体的轮廓点位并绘制出来。

实现效果：

深度学习 轮廓定位_opencv


执行后会把找到的所有轮廓点位都绘制出来，如上图所示。

import cv2
img=cv2.imread('test.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, img2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
binary,contours, hierarchy = cv2.findContours(img2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
img3 = cv2.drawContours(img, contours, -1, (0,255,255), 3)
cv2.imshow("BINARY", img)
cv2.waitKey(0)    
cv2.destroyAllWindows()

深度学习 轮廓定位_计算机视觉_02


深度学习 轮廓定位_计算机视觉_03

轮廓特征距

特征矩代表了一个轮廓、一幅图像的全局特征，矩信息包含了对应对象不同类型的几何特征，特征矩分为三种：空间矩、中心矩和归一化中心矩。
1)空间矩：也叫几何矩，是图像的大小面积及周长等。包括零阶矩：m00，一阶矩：m10,m01，二阶矩：m20,m11,m02，三阶矩：m30,m21,m12,m03。
2)中心矩：对于高阶图像，特征矩会随着位置的变化而变化，为了解决这个问题中心矩就应运而生，它通过减去均值而获取平移的不变性，因而能比较不同位置的两个对象是否一致，即中心矩具有平移不变性特征。包括二阶中心矩：mu20,mu11,mu02，三阶中心矩：mu30,mu21,mu12,mu03。
3)归一化中心矩：除平移之外，有些图像我们还会碰到缩放的情况，即在缩放后也能判断其特征，归一化中心矩通过除以物体总尺寸而获得缩放不变性。
包括二阶Hu矩：nu20,nu11,nu02，三阶Hu距：nu30,nu21,nu12,nu03。接下来通过分析出的轮廓，计算出轮廓的特征矩，面积和周长。

实现效果：

深度学习 轮廓定位_深度学习 轮廓定位_04


面积和周长的单位为像素，这里计算的是图像最外围的轮廓。

import cv2
img=cv2.imread('test.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, img2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
binary,contours, hierarchy = cv2.findContours(img2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt=contours[0]
m=cv2.moments(cnt)
area=cv2.contourArea(cnt)
perimeter=cv2.arcLength(cnt,True)
print("特证矩：",m)
print("面积：",area)
print("周长：",perimeter)

深度学习 轮廓定位_计算机视觉_05

多边形逼近

寻找后的轮廓信息“contours”可能过于复杂不平滑，可以用approxPolyDP函数对该多边形曲线做适当近似，这就是轮廓的多边形逼近。

该函数是以多边形去逼近轮廓，采用的是Douglas-Peucker算法（方法名中的

DP），DP算法原理比较简单，核心就是不断找多边形最远的点加入形成新的多边形，直到最短距离小于指定的精度。

接下来通过多边形逼近来分析出物体的轮廓。

实现效果：

深度学习 轮廓定位_图像处理_06


多边形逼近后的轮廓会尽量贴合图形。

import cv2
img=cv2.imread('test.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, img2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
binary,contours, hierarchy = cv2.findContours(img2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt=contours[1]
approxl=cv2.approxPolyDP(cnt,20,True)
img3 = cv2.drawContours(img, [approxl], -1, (255,0,0), 3)
cv2.imshow("BINARY", img)
cv2.waitKey(0)    
cv2.destroyAllWindows()

深度学习 轮廓定位_深度学习 轮廓定位_07


深度学习 轮廓定位_中心矩_08

轮廓凸包

凸包跟逼近多边形很像，只不过它是物体最外层的凸多边形。凸包指的是完全包含原有轮廓，并且仅由轮廓上的点所构成的多边形。凸包的每一处都是凸的，即在凸包内连接任意两点的直线都在凸包的内部。在凸包内，任意连续三个点的内角小于180°。

接下来通过轮廓凸包来分析出物体的轮廓。

深度学习 轮廓定位_中心矩_09


轮廓凸包会连接轮廓的顶点部分。

import cv2
img=cv2.imread('test.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, img2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
binary,contours, hierarchy = cv2.findContours(img2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt=contours[1]
hull=cv2.convexHull(cnt,True)
img3 = cv2.drawContours(img, [hull], -1, (255,0,0), 3)
cv2.imshow("BINARY", img)
cv2.waitKey(0)    
cv2.destroyAllWindows()

深度学习 轮廓定位_中心矩_10

外接矩形

外接矩形分为带旋转角度的最小外接矩形和常规外接矩形。
最小外接矩形：按照物体的角度以最小的面积进行衔接，可以知道物体有没有旋转。
常规外接矩形：把物体扩在里面但是面积最大。
接下来会分布绘制物体的常规和最小外接矩形。

实现效果：

深度学习 轮廓定位_计算机视觉_11


绿色为常规的外接矩形，蓝色为最小的外接矩形。

import cv2
import numpy as np
img=cv2.imread('test.jpg')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, img2 = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
binary,contours, hierarchy = cv2.findContours(img2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt=contours[1]
RotatedRect=cv2.minAreaRect(cnt)
x,y,w,h=cv2.boundingRect(cnt)
box=cv2.boxPoints(RotatedRect)
box=np.int0(box)
img3 = cv2.drawContours(img, [box], -1, (255,0,0), 3)
img4=cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),3)
cv2.imshow("BINARY", img)
cv2.waitKey(0)    
cv2.destroyAllWindows()

深度学习 轮廓定位_深度学习 轮廓定位_12


深度学习 轮廓定位_opencv_13