Skip to main content

14: 轮廓特征

学习计算轮廓特征，如面积、周长、最小外接矩形等。图片等可到文末引用处下载。

目标​

  • 计算物体的周长、面积、质心、最小外接矩形等
  • OpenCV 函数：cv2.contourArea(), cv2.arcLength(), cv2.approxPolyDP() 等

教程​

在计算轮廓特征之前，我们先用上一节的代码把轮廓找到：

import cv2
import numpy as np

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)

# 以数字 3 的轮廓为例
cnt = contours[0]

为了便于绘制，我们创建出两幅彩色图，并把轮廓画在第一幅图上：

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

轮廓面积​

area = cv2.contourArea(cnt)  # 4386.5

注意轮廓特征计算的结果并不等同于像素点的个数，而是根据几何方法算出来的，所以有小数。

如果统计二值图中像素点个数，应尽量避免循环，可以使用cv2.countNonZero()，更加高效。

轮廓周长​

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

参数 2 表示轮廓是否封闭，显然我们的轮廓是封闭的，所以是 True。

图像矩​

矩可以理解为图像的各类几何特征，详情请参考：[Image Moments]

M = cv2.moments(cnt)

M 中包含了很多轮廓的特征信息，比如 M['m00']表示轮廓面积，与前面cv2.contourArea()计算结果是一样的。质心也可以用它来算：

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

外接矩形​

形状的外接矩形有两种，如下图，绿色的叫外接矩形，表示不考虑旋转并且能包含整个轮廓的矩形。蓝色的叫最小外接矩，考虑了旋转：

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))  # 矩形的四个角点取整
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 就会变成 377，也可以用 x.astype(np.int)。

最小外接圆​

外接圆跟外接矩形一样，找到一个能包围物体的最小圆：

(x, y), radius = cv2.minEnclosingCircle(cnt)
(x, y, radius) = np.int0((x, y, radius))  # 圆心和半径取整
cv2.circle(img_color2, (x, y), radius, (0, 0, 255), 2)

拟合椭圆​

我们可以用得到的轮廓拟合出一个椭圆：

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

形状匹配​

cv2.matchShapes()可以检测两个形状之间的相似度，返回值越小，越相似。先读入下面这张图片：

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)  # 用于绘制的彩色图

图中有 3 条轮廓，我们用 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，并且图形的旋转或缩放并没有影响。其中，参数 3 是匹配方法，详情可参考：ShapeMatchModes，参数 4 是 OpenCV 的预留参数，暂时没有实现，可以不用理会。

形状匹配是通过图像的 Hu 矩来实现的(cv2.HuMoments())，大家如果感兴趣，可以参考：Hu-Moments

练习​

  1. 前面我们是对图片中的数字 3 进行轮廓特征计算的，大家换成数字 1 看看。
  2. （选做）用形状匹配比较两个字母或数字（这相当于很简单的一个OCR噢）。

小结​

常用的轮廓特征：

  • cv2.contourArea()算面积，cv2.arcLength()算周长，cv2.boundingRect()算外接矩。
  • cv2.minAreaRect()算最小外接矩，cv2.minEnclosingCircle()算最小外接圆。
  • cv2.matchShapes()进行形状匹配。

接口文档​

引用​