图像轮廓
语法
cv2.findContours(img.mode,method)
mode:轮廓检索模式
RETR_EXTERNAL ：只检索最外面的轮廓
RETR_LIST：检索所有的轮廓，并将其保存到一条链表当中
RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界
RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次 （最常用）
method:轮廓逼近方法
- CHAIN_APPROX_NONE：以Freeman链码的方式输出轮廓，所有其他方法输出多边形（顶点的序列）
- CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-asppnV3c-1611470829946)(E:\写作\markdown\深度学习\资料\资料\02-07notebook课件\图像操作\chain.png)]
为了更高的准确率，使用二值图像
代码案例
二值处理代码
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv2.imshow('thresh',thresh)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
绘制轮廓
def drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None):
image：
传入的图像，在这张图上画，注意，drawContours本身会直接修改image，不需要返回值，所以在传入图片前先备份一下原图，一般用：img = image * 1，这里image是np.array，乘一相当于复制了一份，注意：如果img = image这样直接赋值，是没有用的，修改img照样会修改image，这是因为深拷贝与浅拷贝的不同，这里image * 1是一个小技巧，但正规的深拷贝应该用copy这个函数，（还得导包，所以偷个懒，直接乘 1）contours:
这个是一个列表，注意：是一个列表，是一个列表，是一个列表，可以直接将刚才用findContours找出来的contours给他，也可以是自己给出的一组坐标信息。contourIdx：画的轮廓下标, -1表示画出全部的轮廓。比如刚才找出来的contours，在将-1给到contourIdx，就会把所有轮廓画出来。
color：画线的颜色：例如（0,0,255）
thickness: 画线的粗细，-1则为填充
#传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度
# 注意需要copy,要不原图会变
draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2)
cv2.imshow('res',res)
轮廓特征
#轮廓面积
cnt=contours[0]
print(cv2.contourArea(cnt))
#8500.5
#轮廓周长,True表示闭合的
print(cv2.arcLength(cnt,True))
#437.9482651948929
轮廓近似
原图
img = cv2.imread('contours2.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
draw_img = img.copy()
res = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)
cv2.imshow('res',res)
轮廓图
epsilon = 0.1*cv2.arcLength(cnt,True) #比例系数越小，近似精度越高
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
res = cv2.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv2.imshow('res',res)
轮廓近似图
边界图形
矩形
img = cv2.imread('contours.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[2]
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv2.imshow('img',img)
效果
轮廓面积与边界矩形比
area = cv2.contourArea(cnt)
x, y, w, h = cv2.boundingRect(cnt)
rect_area = w * h
extent = float(area) / rect_area
print ('轮廓面积与边界矩形比',extent)
#轮廓面积与边界矩形比 0.743223766795295
外接圆
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,255,0),2)
cv2.imshow('img',img)
效果
