Profile Image of the Author
逍遥之韶
欲穷千里目，更上一层楼。
3220 字
16 分钟
OpenCV：图像特征【描述轮廓】
2023-08-18
计算机视觉
OpenCV
/
数字图像处理

1. 描述轮廓#

​ 边缘检测虽然能够检测出边缘，但边缘是不连续的，检测到的边缘并不是一个整体。图像轮廓是指将边缘连接起来形成的一个整体 ，可以用于后续的计算。

1.1 查找轮廓#

使用方法#

  • 通过函数cv2.findContours()，实现图像轮廓的查找。
  • 函数原型：
    • OpenCV 3.x：dst, contours, hierarchy = cv2.findContours( src, mode, method )
    • OpenCV 4.x：contours, hierarchy = cv2.findContours( src, mode, method )
  • 参数说明：
    • dst：目标图像，与原始图像具有相同的大小和类型。
    • contours：轮廓信息。
      • type属性：list类型，每个元素都是图像的一个轮廓
      • 轮廓的个数：len(contours)
      • 轮廓的点坐标：contours[i]，i为轮廓索引
      • 轮廓的点数：len(contours[i])，i为轮廓索引
    • hierarchy：关于图像轮廓层次的 拓扑信息 。
      • 图像内的轮廓可能位于不同的位置，如一个轮廓位于另一个轮廓的内部。这种情况下，将外部的轮廓称为父轮廓，将内部的轮廓称为子轮廓。
      • 每个轮廓contours[i]对应4个元素来说明当前轮廓的层次关系： [Next, Previous, First_Child, Parent] 。
        • Next：后一个轮廓的索引编号。
        • Previous：前一个轮廓的索引编号。
        • First_Child：第1个子轮廓的索引编号。
        • Parent：父轮廓的索引编号。
      • 索引-1表示不存在。
    • src：原始图像。8 位单通道图像，所有非零值被处理为 1，所有零值保持不变。建议直接使用二值图像。
    • mode：轮廓检索模式。
      • cv2.RETR_EXTERNAL：只检测外轮廓。
      • cv2.RETR_LIST：对检测到的轮廓不建立等级关系。
      • cv2.RETR_CCOMP：检索所有轮廓并将它们组织成两级层次结构。上面的一层为外边界，下面的一层为内孔的边界。如果内孔内还有一个连通物体，那么这个物体的边界仍然位于顶层。
      • cv2.RETR_TREE：建立一个等级树结构的轮廓。
    • method：轮廓的近似方法。
      • cv2.CHAIN_APPROX_NONE：存储所有的轮廓点，相邻两个点的像素位置差不超过1。
      • cv2.CHAIN_APPROX_SIMPLE：压缩水平方向、垂直方向、对角线方向的元素，只保留该方向的终点坐标。

示例1：轮廓信息解析#

import cv2


image = cv2.imread("sample_1.png", 0)


val, image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)


cv2.imwrite("sample_1_binary.png", image)


contours, hierarchy = cv2.findContours( image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)


print (len(contours))    # 3


print (len(contours[0])) # 256
print (len(contours[1])) # 342
print (len(contours[2])) # 198
原图二值化的图

示例2：拓扑信息解析#

import cv2


image = cv2.imread("sample_2.png", 0)


val, image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)


cv2.imwrite("sample_2_binary.png", image)


contours, hierarchy = cv2.findContours( image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
print("cv2.RETR_EXTERNAL: ")
print(hierarchy)


contours, hierarchy = cv2.findContours( image, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
print("cv2.RETR_LIST: ")
print(hierarchy)


contours, hierarchy = cv2.findContours( image, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_NONE)
print("cv2.RETR_CCOMP: ")
print(hierarchy)


contours, hierarchy = cv2.findContours( image, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
print("cv2.RETR_TREE: ")
print(hierarchy)
原图二值化的图
类型图示说明
cv2.RETR_EXTERNAL[[[1 -1 -1 -1], [-1 0 -1 -1]]]
cv2.RETR_LIST[[[1 -1 -1 -1], [2 0 -1 -1], [-1 1 -1 -1]]]
cv2.RETR_CCOMP[[[1 -1 -1 -1], [-1 0 2 -1], [-1 -1 -1 1]]]
cv2.RETR_TREE[[[1 -1 -1 -1], [-1 0 2 -1], [-1 -1 -1 1]]]

1.2 绘制轮廓#

使用方法#

  • 通过函数cv2.drawContours()绘制图像轮廓。
  • 函数原型：image = cv2.drawContours( image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset )
  • 参数说明：
    • image：待绘制轮廓的图像。函数会在原始图像上直接绘制轮廓，即函数执行完成以后，image不再是原始图像，而是包含了轮廓的图像。
    • contours：需要绘制的轮廓。
      • 对应函数cv2.findContours()输出的轮廓信息。
    • contourIdx：需要绘制的边缘索引，提示函数要绘制某一条轮廓还是 全部轮廓。
      • 参数是一个整数或者零：绘制对应索引号的轮廓。
      • 参数是负数：绘制全部轮廓。
    • color：绘制的颜色，用BGR格式表示。
    • thickness：绘制轮廓时所用画笔的粗细。
    • lineType：绘制轮廓时所用的线型。
    • hierarchy：关于图像轮廓层次的拓扑信息。
      • 对应函数cv2.findContours()输出的轮廓拓扑信息。
    • maxLevel：控制所绘制的轮廓层次的深度。
    • offset：偏移参数，使轮廓偏移到不同的位置。

示例#

import cv2
import numpy as np


image = cv2.imread("sample_1.png", 0)


val, image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours( image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)


amount = len(contours)


for i in range(amount):
    zero = np.zeros(image.shape, np.uint8)
    dst  = cv2.drawContours(image=zero, contours=contours, contourIdx=i, color=[255,255,255], thickness=1)
    cv2.imwrite("sample_1_draw_" + str(i) + ".png", dst)
原图二值化的图轮廓0轮廓1轮廓2

2. 拟合轮廓#

​ 在计算轮廓时，可能并不需要实际的轮廓，而仅需要一个接近于轮廓的近似多边形。

2.1 矩形包围框#

使用方法#

  • 通过函数cv2.boundingRect()绘制轮廓的矩形边界。
  • 函数原型：
    • ret = cv2.boundingRect( array )
    • x, y, w, h = cv2.boundingRect( array )
  • 参数说明：
    • ret：元组形式，矩形边界的左上角顶点的坐标值及矩形边界的宽度和高度。
    • x：矩形边界左上角顶点的x坐标。
    • y：矩形边界左上角顶点的y坐标。
    • w：矩形边界的x方向的长度。
    • h：矩形边界的y方向的长度。
    • array：灰度图像或轮廓。

示例#

import cv2


image = cv2.imread('sample_3.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


x,y,w,h = cv2.boundingRect(contours[0])
cv2.rectangle(image, (x,y), (x+w,y+h), (0,255,255), 1)


cv2.imwrite("sample_3_rect.png", image)
原图矩形包围框

2.2 最小包围矩形框#

使用方法#

  • 通过函数cv2.minAreaRect()绘制轮廓的最小包围矩形框。

  • 函数原型：box = cv2.minAreaRect( points )

  • 参数说明：

    • box：矩形的特征信息，结构为：(最小外接矩形的中心坐标(x,y), (宽度,高度), 旋转角度)。
      • 不符合函数cv2.drawContours()的参数结构要求，需要通过cv2.boxPoints()进行转换，才能进行轮廓绘制。
    • points：轮廓。

  • 函数原型：points = cv2.boxPoints( box )

  • 参数说明：

    • box：矩形的特征信息，结构为：(最小外接矩形的中心坐标(x,y), (宽度,高度), 旋转角度)。
    • points：轮廓。

示例#

import cv2
import numpy as np


image = cv2.imread('sample_3.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


rect = cv2.minAreaRect(contours[0])
pts = cv2.boxPoints(rect) # 转换坐标信息
pts = np.intp(pts)        # 转换坐标信息为整数


image = cv2.drawContours(image, [pts], 0, (0,255,255), 1)


cv2.imwrite("sample_3_minAreaRect.png", image)
原图最小包围矩形框

2.3 最小包围圆#

使用方法#

  • 通过函数cv2.minEnclosingCircle()绘制轮廓的面积最小的包围圆形。
  • 函数原型：center, radius = cv2.minEnclosingCircle( points )
  • 参数说明：
    • center：最小包围圆形的中心。
    • radius：最小包围圆形的半径。
    • points：轮廓。

示例#

import cv2


image = cv2.imread('sample_3.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


(x, y), radius = cv2.minEnclosingCircle(contours[0])


center = (int(x), int(y)) # 转换信息为整数
radius = int(radius)      # 转换信息为整数


cv2.circle(image, center, radius, (0,255,255), 1)


cv2.imwrite("sample_3_minEnclosingCircle.png", image)
原图最小包围圆

2.4 最小包围三角形#

使用方法#

  • 通过函数cv2.minEnclosingTriangle()绘制轮廓的面积最小的包围三角形。
  • 函数原型：area, triangle = cv2.minEnclosingTriangle( points )
  • 参数说明：
    • area：最小包围三角形的面积。
    • triangle：最小包围三角形的三个顶点集。
    • points：轮廓。

示例#

import cv2


image = cv2.imread('sample_3.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


area, triangle = cv2.minEnclosingTriangle(contours[0])


for n in range(len(triangle)):
    cv2.line(image, tuple(triangle[n][0].astype(int)), tuple(triangle[(n+1)%3][0].astype(int)), (0,255,255), 1)


cv2.imwrite("sample_3_minEnclosingTriangle.png", image)
原图最小包围三角形

2.5 最优拟合椭圆#

使用方法#

  • 通过函数cv2.fitEllipse()构造最优拟合椭圆。
  • 函数原型：ret = cv2.fitEllipse( points )
  • 参数说明：
    • ret ：RotatedRect类型的值，包含外接矩形的质心、宽、高、旋转角度等参数信息，与椭圆的中心点、轴长度、旋转角度等信息吻合。
    • points：轮廓。

示例#

import cv2


image = cv2.imread('sample_3.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


ellipse = cv2.fitEllipse(contours[0])


cv2.ellipse(image, ellipse, (0,255,0), 2)


cv2.imwrite("sample_3_fitEllipse.png", image)
原图最优拟合椭圆

2.6 最优拟合直线#

使用方法#

  • 通过函数cv2.fitLine()构造最优拟合直线。
  • 函数原型：line = cv2.fitLine( points, distType, param, reps, aeps )
  • 参数说明：
    • line：最优拟合直线参数。对于2D场景，返回4个值：(vx, vy, x, y)
      • 斜率：vyvx\frac{v_y}{v_x}
      • 定点：(x0,y0)(x_0, y_0)
      • 可使用直线点斜式方程：y−y0=k⋅(x−x0)y-y_0=k·(x-x_0)，求解其他位置的解
    • points：轮廓。
    • distType：距离类型。
      • cv2.DIST_USER：用户自定义距离
      • cv2.DIST_L1： L-1范数，街区距离，dist=∣x1−x2∣+∣y1−y2∣dist=|x_1-x_2|+|y_1-y_2|
      • cv2.DIST_L2：L-2范数，欧式距离，dist=(x1−x2)2+(∣y1−y2)2dist=\sqrt{(x_1-x_2)^2+(|y_1-y_2)^2}
      • cv2.DIST_C： L-∞范数，棋盘距离，dist=max(∣x1−x2∣,∣y1−y2∣)dist=max(|x_1-x_2|,|y_1-y_2|)
    • param：距离参数，与距离类型有关。当被设置为0时，会自动选择最优值。
    • reps：用于表示拟合直线所需要的径向精度，通常被设定为0.01。
    • aeps：用于表示拟合直线所需要的角度精度，通常该值被设定为0.01。

示例#

import cv2


image = cv2.imread('sample_3.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
row, col = image_gray.shape


ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


[[vx],[vy],[x],[y]] = cv2.fitLine(contours[0], cv2.DIST_L2, 0, 0.01, 0.01)


left_y = int(vy / vx * (0 - x) + y)
right_y = int(vy / vx * (col - x) + y)
cv2.line(image, (0, left_y), (col - 1, right_y), (0,255,0), 2)


cv2.imwrite("sample_3_fitLine.png", image)
原图最优拟合直线

2.7 逼近多边形#

使用方法#

  • 通过函数cv2.approxPolyDP()构造指定精度的逼近多边形曲线。
    • 算法：Douglas-Peucker算法
  • 函数原型：approxCurve = cv2.approxPolyDP( curve, epsilon, closed )
  • 参数说明：
    • approxCurve ：逼近多边形的点集。
    • curve：轮廓。
    • epsilon：精度，原始轮廓的边界点与逼近多边形边界之间的最大距离。
    • closed ：轮廓封闭信息，用来表示轮廓是闭合的还是开口的。
      • True：闭合
      • False：开口

示例#

import cv2


image = cv2.imread('sample_3.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


proportion = [0.10, 0.08, 0.06, 0.04, 0.02, 0.01]


for n in range(len(proportion)):
    epsilon = proportion[n] * cv2.arcLength(contours[0], True)
    approx = cv2.approxPolyDP(contours[0], epsilon, True)
    img = cv2.drawContours(image.copy(), [approx], 0, (0,0,255), 2)


    cv2.imwrite("sample_3_approxPolyDP_" + str(n+1) + ".png", img)
逼近多边形逼近多边形逼近多边形

2.8 凸包#

​ 逼近多边形是针对轮廓的高度近似，但有时候希望使用一个多边形的凸包来简化它。

​ 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°。

使用方法#

  • 通过函数cv2.convexHull()获取轮廓的凸包。
  • 函数原型：hull = cv2.convexHull( points, clockwise, returnPoints )
  • 参数说明：
    • hull ：凸包的角点集。
    • points：轮廓。
    • clockwise：布尔型数据。
      • True：凸包角点将按顺时针方向排列。
      • False：凸包角点将按逆时针方向排列。
    • returnPoints：布尔型数据。
      • True：返回凸包角点的坐标。
      • False：返回凸包角点的索引。

示例#

import cv2


image = cv2.imread('sample_4.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


hull = cv2.convexHull(contours[0])


cv2.polylines(image, [hull], True, (0, 255, 0), 2)


cv2.imwrite("sample_4_hull.png", image)
原图凸包

2.9 凸缺陷#

​ 在轮廓边缘与凸包之间的部分，被称为凸缺陷。

使用方法#

  • 通过函数cv2.convexityDefects()获取轮廓的凸缺陷。
  • 函数原型：defects = cv2.convexityDefects( contour, contourhull )
  • 参数说明：
    • defects：凸缺陷的角点集。
      • 它是一个数组，每一行包含的值是[起点， 终点， 轮廓上距离凸包最远的点， 最远点到凸包的近似距离]
    • contour：轮廓。
    • contourhull：凸包的角点集。
      • 调用cv2.convexHull()时，参数returnPoints的值必须是False。

示例#

import cv2


image = cv2.imread('sample_4.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


hull = cv2.convexHull(contours[0], returnPoints=False)


defects = cv2.convexityDefects(contours[0], hull)


for i in range(defects.shape[0]):
    s, e, f, d = defects[i,0]
    start = tuple(contours[0][s][0])
    end = tuple(contours[0][e][0])
    far = tuple(contours[0][f][0])
    cv2.line(image, start, end, [0,255,0], 2)
    cv2.circle(image, far, 5, [255,0,0], 1)


cv2.imwrite("sample_4_hullDefects.png", image)
原图凸缺陷

2.10 测试轮廓是否是凸形的#

使用方法#

  • 通过函数cv2.isContourConvex()判断轮廓是否是凸形的。
  • 函数原型：ret = cv2.isContourConvex( contour )
  • 参数说明：
    • ret：布尔型数据。
      • True：轮廓是凸形的。
      • False：轮廓不是凸形的。
    • contour：轮廓。

示例#

import cv2


image = cv2.imread('sample_4.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


# 逼近多边形
epsilon = 0.02 * cv2.arcLength(contours[0], True)
approx = cv2.approxPolyDP(contours[0], epsilon, True)


# 凸包
hull = cv2.convexHull(contours[0])


# 检测轮廓是否是凸形
print("逼近多边形为凸形？", cv2.isContourConvex(approx))
print("凸包为凸形？", cv2.isContourConvex(hull))
逼近多边形为凸形？ False
凸包为凸形？ True

2.11 计算点到轮廓的距离#

使用方法#

  • 通过函数cv2.pointPolygonTest()计算点到多边形轮廓的最短距离。
  • 函数原型：ret = cv2.pointPolygonTest( contour, point, measureDist )
  • 参数说明：
    • ret：与参数measureDist的值有关。
    • contour：轮廓。
    • point：待判定的点。
    • measureDist：布尔型数据。
      • True：计算点到轮廓的距离，负数表示点在轮廓外部、0表示在轮廓上、正数表示点在轮廓内部。
      • False：不计算距离，只返回 -1 、 0 和 1 中的一个值，分别表示在轮廓外、在轮廓上、在轮廓内。

示例#

import cv2


image = cv2.imread('sample_4.png')
image_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(image_gray, 127, 255, cv2.THRESH_BINARY)


contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)


hull = cv2.convexHull(contours[0])


ptA = (150, 125)
ptB = (155, 63)
ptC = (200, 60)


distA = cv2.pointPolygonTest(hull, ptA, True)
distB = cv2.pointPolygonTest(hull, ptB, True)
distC = cv2.pointPolygonTest(hull, ptC, True)


print("点A到轮廓的距离", distA)
print("点B到轮廓的距离", distB)
print("点C到轮廓的距离", distC)


cv2.polylines(image, [hull], True, (0, 255, 255), 2)
cv2.circle(image, ptA, 1, (0, 0, 255), -1)
cv2.circle(image, ptB, 1, (0, 255, 0), -1)
cv2.circle(image, ptC, 1, (255, 0, 0), -1)


cv2.imwrite("sample_4_dist.png", image)
原图点和凸包
OpenCV：图像特征【计算轮廓特征】
OpenCV：形态学操作
© 2025 逍遥之韶. All Rights Reserved. / RSS / Sitemap
Powered by Astro & Mizuki  Version 4.9.5
封面
示例歌曲
示例艺术家
封面
示例歌曲
示例艺术家
0:00 / 0:00