020 OpenCV 轮廓、外接圆、外接矩形

一、环境

本文使用环境为：

Windows10
Python 3.9.17
opencv-python 4.8.0.74

二、原理

2.1 函数接口

OpenCV中的findContours函数用于检测图像中的轮廓。轮廓是图像中连续的点集，它们通常表示物体的边缘或形状。在计算机视觉和图像处理中，轮廓分析是一种常见的任务，例如目标检测、形状识别等。

findContours函数的基本语法如下：

python 复制代码

contours, hierarchy = cv.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])

参数说明：

image：输入图像，通常是一个二值图像。
mode：轮廓检索模式。这个参数决定了函数如何返回轮廓。常见的模式有：
- cv2.RETR_EXTERNAL：只检索最外层的轮廓。
- cv2.RETR_LIST：检索所有轮廓并将其保存到列表中。
- cv2.RETR_CCOMP：检索所有轮廓，并将它们组织到两个不同的层次结构中（例如，外部和内部）。
- cv2.RETR_TREE：检索所有轮廓，并将它们组织到一个层次结构中。
method：轮廓的近似方法。常见的有：
- cv2.CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角分段。
- cv2.CHAIN_APPROX_NONE：存储所有的段（4点）。
- cv2.CHAIN_APPROX_SIMPLE 和 cv2.CHAIN_APPROX_DP：使用动态规划压缩轮廓。
contours（可选）：输出参数，返回找到的轮廓。
hierarchy（可选）：输出参数，返回有关轮廓之间关系的信息。
offset（可选）：偏移量，用于调整轮廓的位置。

返回值：

如果指定了 contours 参数，则返回找到的轮廓。
如果指定了 hierarchy 参数，则返回有关轮廓之间关系的信息。

2.2 原理理解

在OpenCV库中，函数cv2.findContours()是一个用于查找图像中物体轮廓的重要工具。该函数的主要参数包括：输入图像、轮廓检索模式和近似方法等。

首先，输入的图像通常是二值化的单通道图像，其中黑色代表背景，白色代表目标物体。这样的图像通常通过Canny或拉普拉斯等边缘检测算子进行处理得到。

其次，轮廓检索模式决定了如何处理图像中的轮廓。例如，cv2.RETR_EXTERNAL只检测外轮廓；cv2.RETR_LIST检测的轮廓不建立等级关系；cv2.RETR_CCOMP建立两个等级的轮廓，上一层为外边界，内层为内孔的边界；而cv2.RETR_TREE则建立一个等级树结构的轮廓。

最后，近似方法决定了如何简化轮廓。例如，cv2.CHAIN_APPROX_SIMPLE就表示用尽可能少的像素点表示轮廓。

函数的返回值包括两个部分：contours和hierarchy。其中，contours是一个包含所有检测到的轮廓信息的数组，每个轮廓又是由若干个点所构成的；而hierarchy则是一个包含了各轮廓之间的层次关系的数组。

三、完整代码

python 复制代码

from __future__ import print_function
import cv2 as cv
import numpy as np
import argparse
import random as rng

rng.seed(12345)

def thresh_callback(val):
    threshold = val
    # 使用canny检测边缘
    canny_output = cv.Canny(src_gray, threshold, threshold * 2)
    # 查找轮廓
    contours, _ = cv.findContours(canny_output, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
    

    # 这里在分配空间
    contours_poly = [None]*len(contours)
    boundRect = [None]*len(contours)
    centers = [None]*len(contours)
    radius = [None]*len(contours) 

    # 依据canny检测出来的边缘，下面查找边缘的轮廓、边缘的外接圆、外接矩形
    for i, c in enumerate(contours):
        contours_poly[i] = cv.approxPolyDP(c, 3, True) # 轮廓
        boundRect[i] = cv.boundingRect(contours_poly[i]) # 外接矩形
        centers[i], radius[i] = cv.minEnclosingCircle(contours_poly[i]) # 外接圆
   
    # 搞一张黑色的图，用于绘制
    drawing = np.zeros((canny_output.shape[0], canny_output.shape[1], 3), dtype=np.uint8)
    
    # 绘制轮廓、矩形、圆
    for i in range(len(contours)):
        color = (rng.randint(0,256), rng.randint(0,256), rng.randint(0,256))
        cv.drawContours(drawing, contours_poly, i, color)
        cv.rectangle(drawing, (int(boundRect[i][0]), int(boundRect[i][1])), \
          (int(boundRect[i][0]+boundRect[i][2]), int(boundRect[i][1]+boundRect[i][3])), color, 2)
        cv.circle(drawing, (int(centers[i][0]), int(centers[i][1])), int(radius[i]), color, 2) 
    cv.imshow('Contours', drawing)

parser = argparse.ArgumentParser(description='Code for Creating Bounding boxes and circles for contours tutorial.')
parser.add_argument('--input', help='Path to input image.', default='data/stuff.jpg')
args = parser.parse_args()
# 读取图片
src = cv.imread(cv.samples.findFile(args.input))
if src is None:
    print('Could not open or find the image:', args.input)
    exit(0)

# 彩色图转灰度图
src_gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# 图片平滑
src_gray = cv.blur(src_gray, (3,3))

# 显示原彩色图
source_window = 'Source'
cv.namedWindow(source_window)
cv.imshow(source_window, src)

# 创建滑条，控制canny查找边缘的阈值
max_thresh = 255
thresh = 100 # canny初始化阈值
cv.createTrackbar('Canny thresh:', source_window, thresh, max_thresh, thresh_callback)
thresh_callback(thresh)

cv.waitKey()