OpenCV-35 查找轮廓

一、什么是图像轮廓

图像轮廓是具有相同颜色或灰度的连续点的曲线，轮廓在形状分析和物体的检测识别中很有用。

用于图形分析
物体的识别和检测

注意点：

为了检测的准确性，需要先对图像进行二值化或Canny操作。
画轮廓时会修改输入的图像，如果之后想继续使用原始图像，应该将原始图像储存到其他变量中。（即画轮廓是在原图上进行修改）

二、查找轮廓

通过使用API --- findContours(img, mode, method[, contours[, hierarchy[, offset]]]])

mode 查找轮廓的模式
其中RETR_EXTERNAL = 0，表示只检测外围轮廓

RETR_LIST = 1 , 检测的轮廓不建立等级关系，即检测所有轮廓，较为常用。

RETR_CCOMP = 2,每层最多两级，从小到大，从里到外。

RETR_TREE = 3, 按照树型存储轮廓，从小到大，从左到右 （最常用）

method ：轮廓近似方法，也叫ApproximationMode

其中：CHAIN_APPROX_NONE 保存所有轮廓上的点
CHAIN_APPROX_SIMPLE,只保存角点，比如四边形，只保留四边形的4个角，存储信息少，比较常用。

返回值 contours和hierachy是轮廓和层级

其中轮廓的类型为元组（旧版本为列表）

层级的类型为np的ndarray形式

示例代码如下：

import cv2
import numpy as np
# 导入图片
img = cv2.imread("black.png")
# 变为单通道的黑白照片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化操作  ---  返回两个值：阈值和结果
ret, new_img = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, hierarchy = cv2.findContours(new_img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 打印轮廓
print(type(contours))
print(type(hierarchy))
print(contours)
print(hierarchy)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下：

三、绘制轮廓

通过API --- drawContours(image, contours, contourldx[, thickness[,lineTupe[, hierachy[, maxlevel[,offset]]]])

image：要绘制的图象
conyours: 轮廓点
contourldx：要绘制的轮廓的编号。-1表示绘制所有的轮廓
color：轮廓的颜色，如（0，0，255）表示红色
thickness：线宽，-1表示全部填充

示例代码如下：

import cv2
import numpy as np
# 导入图片
img = cv2.imread("black.png")
# 变为单通道的黑白照片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化操作  ---  返回两个值：阈值和结果
ret, new_img = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, hierarchy = cv2.findContours(new_img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
img_copy = img.copy()
# 直接在img_copy上面操作
cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)
cv2.imshow("img", np.hstack((img, img_copy)))
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下：

四、轮廓的面积和周长

轮廓的面积指的是每个轮廓中所有的像素点围成的区域的面积，单位为像素。

轮廓面积是轮廓重要的统计特征之一，通过轮廓面积的大小可以进一步分析每个轮廓隐含的信息，例如通过轮廓面积区分物体大小识别不同的物体。

在查找到轮廓之后，可能会有很多细小的轮廓，我们可以通过轮廓的面积进行过滤。

计算轮廓面积：contourArea (contour)

计算轮廓周长：arcLength (curve, closed)

curve : 轮廓
closed：判断是否为闭合的轮廓

示例代码如下：

import cv2
import numpy as np
# 导入图片
img = cv2.imread("black.png")
# 变为单通道的黑白照片
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化操作  ---  返回两个值：阈值和结果
ret, new_img = cv2.threshold(gray, 150, 255, cv2.THRESH_BINARY)
# 查找轮廓
contours, hierarchy = cv2.findContours(new_img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 绘制轮廓
img_copy = img.copy()
# 直接在img_copy上面操作
cv2.drawContours(img_copy, contours, -1, (0, 0, 255), 2)
cv2.imshow("img", np.hstack((img, img_copy)))
# 计算轮廓的周长和面积
Area = cv2.contourArea(contours[0])
perimeter = cv2.arcLength(contours[1], closed=True)
print(Area)
print(perimeter)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出结果如下：