EEPW论坛

OpenCV-Python系列之轮廓的高级功能

截至到本次教程，我们已经基本掌握了OpenCV常用的一些功能，实际上已经可以处理很多问题了，故从本教程开始，示例代码将编写为一个固定函数，以便调用，另外将不再给出完整代码，比如导入库将不再另行贴出，一些基本的代码也不再贴出，只贴出核心部分，我会将核心部分整理为一个方便调用的函数。

我们在前面讨论了轮廓的特征以及属性，今天我们将综合之前学的内容讨论轮廓的高级功能。

凸缺陷

对象上的任何凹陷都被称为凸缺陷，OpenCV中有一个函数cv.convexityDefect()可以帮助我们找到凸缺陷，函数调用如下：

hull = cv2.convexHull(cnt,returnPoints = False)

defects = cv2.convexityDefects(cnt,hull)

注意:如果要查找凸缺陷，在使用函数cv2.convexHull找凸包时，
参数returnPoints一定要是False。

它会返回一个数组，其中每一行包含的值是[起点，终点，最远的点，到最远点的近似距离]，们可以在一张图上显示它。我们将起点和终点用一条绿线连接，在最远点画一个圆圈，要记住的是返回结果的前三个值是轮廓点的索引，我们仍然使用之前的多边形的图片：

来看代码核心部分：

def convexity(img): img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(img_gray, 127, 255, 0) contours, hierarchy = cv2.findContours(thresh, 2, 1) cnt = contours[0] hull = cv2.convexHull(cnt, returnPoints=False) defects = cv2.convexityDefects(cnt, hull) for i in range(defects.shape[0]): s, e, f, d = defects[i, 0] start = tuple(cnt[s][0]) end = tuple(cnt[e][0]) far = tuple(cnt[f][0]) cv2.line(img, start, end, [0, 255, 0], 2) cv2.circle(img, far, 5, [0, 0, 255], -1) cv2.imshow('img', img)

可以看到，凹陷处被检测出来。

点多边形测试

点多边形测试求解图像中的一个点到一个对象轮廓的最短距离。如果点在轮廓的外部，返回值为负。如果在轮廓上，返回值为0。如果在轮廓内部，返回值为正。

例如，我们可以如下检查点（50,50）：

dist = cv.pointPolygonTest（cnt，（50,50），True）

在函数中，第三个参数是measureDist。如果为True，则找到带符号的距离。如果为False，它将查找该点是在轮廓内部还是外部或轮廓上（分别返回+ 1，-1、0）。

这个按照我们的需要设置为False即可，当measureDist设置为false时，若返回值为+1，表示点在轮廓内部，返回值为-1，表示在轮廓外部，返回值为0，表示在轮廓上。

注意：如果不想查找距离，确保第三个参数为False，因为这是一个耗时的过程。因此，将其设置为False可使速度提高2-3倍。

我们来看代码，看看（50,50）位于哪儿：

def PointPolygon(img): img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(img_gray, 127, 255, 0) contours, hierarchy = cv2.findContours(thresh, 2, 1) cnt = contours[0] dist = cv2.pointPolygonTest(cnt,(50,50),False) print(dist)

结果：

-1代表该点位于轮廓内部。

匹配形状

函数cv2.matchShape()可以帮我们比较两个形状或轮廓的相似度。如果返回值越小，匹配越好。它是根据Hu矩来计算的。Hu矩是归一化中心矩的线性组合，之所以这样做是为了能够获取代表图像的某个特征的矩函数，这些矩函数对某些变化如缩放，旋转，镜像映射具有不变形。

我们来看函数原型以及相应参数解释：

第一个参数是待匹配的物体1，第二个是待匹配的物体2

第三个参数method有三种输入：

CV_CONTOURS_MATCH_I1

CV_CONTOURS_MATCH_I2

CV_CONTOURS_MATCH_I3

即三种不同的判定物体相似的方法

注意：

前两个参数输入“灰度图像”时，并不是想当然的那样，其内容包含待匹配轮廓图案的灰度图；而是使用一行或一列双通道灰度图或者两列灰度图，该图中的每个像素不是什么图片，而是代表多边形轮廓上各节点的X,Y坐标。

输入轮廓时每个参数只能是一个轮廓

MatchShapes是OpenCV提供的一个根据计算比较两张图像Hu不变距的函数，函数返回值代表相似度大小，完全相同的图像返回值是0，返回值最大是1。这可以用在在一堆照片中搜索出两张相同或相同程度最大的图像。

我们现在可以做个试验，类似于模板匹配。

待识别图像：

模板图像：

现在我们看看识别的步骤：

1.将待识别图像->灰度图像->二值图像

2.通过轮廓检索函数cv.findContours找到待识别图像所有轮廓

3.模板图像->灰度图像->二值图像

4.通过轮廓检索函数cv.findContours找到模板图像中字母A的外轮廓

5.将第2步得到的轮廓逐一和第4步得到的轮廓通过cv.matchShapes函数进行形状匹配。找到其中最小值，最小值对应的待识别图像中的轮廓即为匹配到的模板图像

6.标出在待识别图像中找到的模板图像

来看核心代码：

def MatchShapes(): # 载入原图 img = cv2.imread('OCR.jpg', 0) # 在下面这张图像上作画 image1 = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR) # 二值化图像 _, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY| cv2.THRESH_OTSU) # 搜索轮廓 contours, hierarchy = cv2.findContours(thresh, 3, 2) hierarchy = np.squeeze(hierarchy) # 载入标准模板图 img_a = cv2.imread('temp.jpg', 0) _, th = cv2.threshold(img_a, 0, 255, cv2.THRESH_BINARY| cv2.THRESH_OTSU) contours1, hierarchy1 = cv2.findContours(th, 3, 2) # 字母A的轮廓 template_a = contours1[0] # 记录最匹配的值的大小和位置 min_pos = -1 min_value = 2 for i in range(len(contours)): # 参数3：匹配方法；参数4：opencv预留参数 value = cv2.matchShapes(template_a, contours[i], 1, 0.0) if value < min_value: min_value = value min_pos = i # 参数3为0表示绘制本条轮廓contours[min_pos] cv2.drawContours(image1, [contours[min_pos]], 0, [255, 0, 0], 3) cv2.imshow('result', image1)

可以看到已经正确的匹配到了，实际上这就相当于是OCR文字识别的雏形。

当然，关于OpenCV中轮廓的讨论还没有结束，仍然有其他的功能，我们将在下次介绍。