大家好，欢迎收听小木的第六讲，第六讲我们主要讲的内容是轮廓检测。说道轮廓检测。轮廓怎么检测呢，那么我们就要引入一个轮廓检测算法：
这个算法是日本的铃木桑发明的。这位日本人写了一篇论文，叫做：
Topological structural analysis of digitized binary images by border following，
百度文库上面有下载地址：
https://wenku.baidu.com/view/6cb52ede360cba1aa811dad5.html
说道百度文库，我要吐槽一下，我觉得CNKI上面的文章都不如百度文库上面网友写的好。今天吐槽的话题太多了，首先说一下天朝不合理的科研评优制度。现在考一个博士，比如哈工大、同济，大连理工等学校竟然要一篇SCI，同济甚至是2篇。我就想请问你们是在TMD考老师呢还是在考学生？你们同济可能有设备，有经费。但是其它普通学校有吗？你以为学生是巧妇？巧妇都难做无米之炊，你们要求真是无理。我就请问你们985学校的筛选制度，真的能筛选出NB的学生吗？这个升学坑爹。还有坑爹的是大家喜欢到知网去灌水，结果知网上面全是垃圾文，而且瞎乱引用，引用次数高的还不一定是好的。所以大家找一篇好文实在是太TMD难了。我就想请问，什么国家奖学金那几万块钱，真的这么重要么，就不能发几篇好文章上去吗？
说完这个，还得吐槽一下这个日本人铃木先生，铃木先生这篇文章是1985年写的，也就是说我们现在是2018年，我们足足落后了小日本20多年。美帝就更不用说了。所以我想对现在的年轻人说，我们历史必须铭记，但是不是无脑黑，也不能无脑当HJ。这点应该学习罗永浩老师，把小日本的好东西都学到手，这个才是最重要的。不能学洁洁良，更不能学那些水军。如果认为我说的对，你们必须得转发我的文章！
好了，废话说完了，进入正题。这个日本人发明了一种能够检测轮廓的算法，这个轮廓检测是在一张只有1和只有0的二值图片中执行的，而这个算法定义了几个概念：
（1）框架：框架就是指图片的第一列、最后一列、第一行、最后一行像素，这四个长条组成的一个矩形框框，我们这些点是黑点，也就是0。
（2）背景：除了框架之外，和框架属于同一层级的像素点，这些点也是黑点，也就是0。
（3）外轮廓：外轮廓就是指包裹了一堆白点的最外围的白点。
（4）内轮廓：内轮廓是指在包裹了一堆白点的最内部的白点。
用一张图片表示会很清晰：
在这张图片中，S1是背景，也是框架层。S2是包裹的一堆白点，这堆白点的最外层和框架层紧密相连，B1就是S2的外轮廓，B2就是S2的内轮廓。
那么我们怎么用计算机判断一张图片上的点是外轮廓还是内轮廓呢？
那么就得进行如下的步骤：
（1）首先，我们设定外部框架的边界值NBD为1。
（2）接着忽略最外层的框架，然后从图片的第二行的最左侧开始，判断：
如果这个数字是1，并且它的左侧的像素是0，那么我们令(i,j)为这个像素，然后令(i2,j2)=(i,j-1)为它左侧的像素（如果是第一次运算，那么坐标就是(2,2)，它要是1，(2,1)是0，那么(i,j)=(2,2)、(i2,j2)=(i,j-1)=（2,1））。然后我们令NBD=NBD+1，并且认为这个点是外轮廓点。
如果这个数字是大于等于1的，并且它的右侧像素是0，那么我们令(i,j)为这个像素，然后令(i2,j2)=(i,j+1)为它右侧的像素。（如果是第一次运算，那么坐标就是(2,2)，它要是1，(2,3)是0，那么那么(i,j)=(2,2)、(i2,j2)=(i,j+1)=（2,3）），并且认为这个点是内轮廓点。
如果是其它的情况，那么，令直接跳到最后一步。
（3）下一步是判断这个点到底是内轮廓还是外轮廓，我们用这个表格来判断：
这里面B’表示的是上一个按照我们这个步骤走的点是什么轮廓。B表示我们当前的点是什么轮廓。如果这是第一次，没有上一次的点，那么直接认为是外轮廓就好了。
（4）从点(i,j)开始，它的邻近地方有8个点（3*3）的格子之内，然后我们以(i2,j2)点为起始点，然后顺时针的沿着这8个点移动，一直走走走走，唉，发现了一个不为0的像素点，并且令这个点为(i1,j1)。如果这8个点都为0的话，令中心点(i,j)为-NBD，然后直接跳到最后一步。
（5）如果(i1,j1)存在的话，那么我们令(i2,j2)=(i1,j1)，(i3,j3)=(i,j)。
（6）然后我们从点(i3,j3)开始，以(i2,j2)为起始点，然后逆时针移动遍历(i,j)邻近地方的8个点。找到第一个不为0的点（(i2,j2)这个点不算）。然后令它为(i4,j4)。注意这里肯定不会存在没有不为0点的情况，因为(i3,j3)=(i,j)，上一次循环都循环一次了，没有早退出了。
（7）然后我们判断：如果(i3,j3)前面的点(i3,j3+1)为0的话，那么我们把(i3,j3)这个点的像素值赋予-NBD。
如果(i3,j3)点前面的点不为0，且(i3,j3)这个点的像素为1的话，那么把(i3,j3)的像素值赋予NBD。
如果是其它情况的话，这个值保持不变。
（8）判断，如果(i4,j4)=(i,j)也就是我们最开始的那个值，且(i3,j3)=(i1,j1)，那么我们跳到最后一步。如果要不符合条件，我们返回到（6）继续计算直到满足条件。
（9）我们回到我们最开始选择的那个点，也就是(i,j)然后我们往右边移动一格，如果已经到达末尾了，换到下一行的左边。如果我们于(i,j)那点的像素不为1的话，我们令LNBD等于(i,j)那点的像素的绝对值。
这九步，我们就把轮廓计算完毕了。在铃木桑的论文中，它举了一个例子来说明这个算法，如下所示：
这个是它最后得到的结果，但是我有点不信，下面我按照它同样的算法，自己手算了一遍：
我的最后结果是分为4部分，4个外轮廓，没有内轮廓，而铃木的是5部分，有一个内轮廓。我认为我的里面那个-3不是内轮廓，因为内轮廓应该是八方向都封闭起来的，而这两个-3只有2个方向是封闭，两个方向直接和背景连接。所以我认为是外轮廓。
谁对谁错我不好说，你们自己分析，然后对这两个人的案例对错评论一下，告诉我哈！
这样，我们的轮廓就检测完毕了。我们用OPENCV检测也非常的简单：
（1）首先我们导入一张图片。
（2）将图片二值化变成黑白图像
（3）运用轮廓搜索算法找出轮廓
（4）显示轮廓。
代码如下：
import cv2
import numpy as np
#导入图片
img = cv2.imread("D:/xiaomu/opencv6-1.jpg")
#显示图片
cv2.imshow("orgin",img)
#定义一个卷积核的尺寸
kernel = np.ones((3,3))
#导入图片，进行开闭运算去噪声
img=cv2.morphologyEx(img,cv2.MORPH_OPEN,kernel)
img=cv2.morphologyEx(img,cv2.MORPH_CLOSE,kernel)
#将图像进行二值化处理，小于10的为0，大于的255
ret, thresh = cv2.threshold(cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), 10, 255, cv2.THRESH_BINARY)
#找出图片的轮廓
image, contours, hier = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
#绘制轮廓
cv2.drawContours(img, contours, -1, (255, 0, 0), 3)
#显示带轮廓的图片
cv2.imshow("contours", img)
#等待按键退出
cv2.waitKey()
cv2.destroyAllWindows()结果：
下节课讲什么还没决定好，到时候再说哦！
———————————————
如果对我的课程感兴趣的话，欢迎关注小木希望学园-微信公众号：
mutianwei521
也可以扫描二维码哦！
