Python  OpenCV  輪廓特徵1

什麼是輪廓

     輪廓可以簡單認為成連續的點（連著邊界）連在一起的曲線，具有相同的顏色或者灰度。輪廓在形狀分析和物體的檢測和識別中很有用。

學習計算輪廓特徵，如面積、周長、最小外接矩形等。圖片等可到原始碼處下載。

目標

• 計算物體的周長、面積、質心、最小外接矩形等
• OpenCV函式：cv2.contourArea(), cv2.arcLength(), cv2.approxPolyDP() 等

教程

在計算輪廓特徵之前，我們先用上一節的程式碼把輪廓找到：

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

# 以數字3的輪廓為例
cnt = contours[0]
 

為了便於繪製，我們創建出兩幅彩色圖，並把輪廓畫在第一幅圖上：

img_color1 = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
img_color2 = np.copy(img_color1)
cv2.drawContours(img_color1, [cnt], 0, (0, 0, 255), 2)

輪廓面積

area = cv2.contourArea(cnt)  # 4386.5

注意輪廓特徵計算的結果並不等同於畫素點的個數，而是根據幾何方法算出來的，所以有小數。

如果統計二值圖中畫素點個數，應儘量避免迴圈，可以使用cv2.countNonZero()

，更加高效

輪廓周長

perimeter = cv2.arcLength(cnt, True)  # 585.7

引數2表示輪廓是否封閉，顯然我們的輪廓是封閉的，所以是True。

影象矩

矩可以理解為影象的各類幾何特徵，詳情請參考：[Image Moments]

M = cv2.moments(cnt)

M中包含了很多輪廓的特徵資訊，比如M['m00']表示輪廓面積，與前面cv2.contourArea()計算結果是一樣的。質心也可以用算：

cx, cy = M['m10'] / M['m00'], M['m01'] / M['m00']  # (205, 281)

外接矩形

形狀的外接矩形有兩種，如下圖，綠色的叫外接矩形，表示不考慮旋轉並且能包含整個輪廓的矩形。藍色的叫最小外接矩，考慮了旋轉：

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))  # 矩形的四個角點取整
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就會變成377，也可以用x.astype(np.int)

最小外接圓

外接圓跟外接矩形一樣，找到一個能包圍物體的最小圓：

(x, y), radius = cv2.minEnclosingCircle(cnt)
(x, y, radius) = np.int0((x, y, radius))  # 圓心和半徑取整
cv2.circle(img_color2, (x, y), radius, (0, 0, 255), 2)

擬合橢圓

我們可以用得到的輪廓擬合出一個橢圓：

ellipse = cv2.fitEllipse(cnt)
cv2.ellipse(img_color2, ellipse, (255, 255, 0), 2)

形狀匹配

cv2.matchShapes()可以檢測兩個形狀之間的相似度，返回值越小，越相似。先讀入下面這張圖片：

img = cv2.imread('shapes.jpg', 0)
_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
image, contours, hierarchy = cv2.findContours(thresh, 3, 2)
img_color = cv2.cvtColor(thresh, cv2.COLOR_GRAY2BGR)  # 用於繪製的彩色圖

圖中有3條輪廓，我們用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，並且圖形的旋轉或縮放並沒有影響。其中，引數3是匹配方法，詳情可參考：ShapeMatchModes，引數4是OpenCV的預留引數，暫時沒有實現，可以不用理會。

形狀匹配是通過影象的Hu矩來實現的(cv2.HuMoments())，大家如果感興趣，可以參考：Hu-Moments

小結

常用的輪廓特徵：

• cv2.contourArea()算面積，cv2.arcLength()算周長，cv2.boundingRect()算外接矩
• cv2.minAreaRect()算最小外接矩，cv2.minEnclosingCircle()算最小外接圓
• cv2.matchShapes()進行形狀匹配

原文參考：https://www.jianshu.com/p/6a71aceb8da6

希望對你有幫助。