Python----计算机视觉处理（Opencv：凸包特征检测：凸包方法）

一、凸包

通俗的说，就是完全凸起，没有凹处的多边形，也叫做凸多边形。一般来说凸包都是伴随着某类点集存在的，也被称为某个点集的凸包。

对于一个点集来说，如果该点集存在凸包，那么这个点集中的所有的点要么在这个凸包上，要么在这个凸包内。

凸包检测常用在物体识别、手势识别及边界检测等领域。

二、常见的凸包算法

2.1、穷举法

将点集中的点进行两两配对，并进行连线，对于每条直线，检查其余的所有的点是否处于该直线的同一侧，如果所有的其余的点都处于该直线的同一侧，那么说明构成这条直线的两个点就是凸包点，其用户的线依次进行计算，从而获取所有的凸包点。

2.2、Graham扫描法

将纵坐标最小的点记为P0，且以该点为原点构建二维坐标系，那么P0就一定是一个凸包点。
计算各个点对于P0的角度，按照从小到大的顺序进行排序（逆时针顺序），当角度相同时,与P0 较近的点排在前面。那么角度最大的点和角度最小的点一定是凸包点。
用栈来记录已知的凸包点，先将P0和P1放入栈中，然后去求下一个凸包点。
入栈下一个点，将栈顶的两个点相连，得到一条直线。看下一个点在直线的右侧还是左侧，如果是右侧就执行步骤5，如果在左侧或在直线上就执行步骤6。
如果在右侧，说明栈顶的那个点不是凸包点，将栈顶元素出栈并执行步骤4。
如果在左侧或直线上，说明该点是凸包点，就将其保存。

7.检查栈顶的点是不是步骤2中角度值最大的那个点，如果是就结束了，如果不是就将当前点的下个点作为要计算的对象，执行步骤4，直到栈顶元素就是步骤2中角度值最大的点，那么循环结束。

2.3、Andrew扫描链法

对所有点按坐标x为第一关键字、y为第二关键字排序，第1个和最后一个肯定在凸包上。
先顺序遍历所有点，通过三个点所构建的两个向量的叉积来判断是不是凸包点，这样就可以构建出下凸包。
然后逆序遍历所有点，按照相同的方式就可以构建出上凸包，最后将上凸包和下凸包连接即可。

2.4、QuickHull法

将所有的点放在二维坐标系中，找到最横坐标最小和最大的两个点P1和 P2并连线。此时整个点集被该直线分为两部分，直线上方叫上包，直线下方叫下包。
以上包为例，找到上包中的点距离该直线最远的点P3，连线P1、P3，并寻找直线P1P3左侧的点与直线P2P3右侧的点，然后重复本步骤，直到找不到为止。对下包也是这么操作。

三、凸包特征检测

导入模块

python 复制代码

import cv2

输入图像

python 复制代码

img=cv2.imread('tubao.png')

灰度化

python 复制代码

img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

二值化

python 复制代码

ret,img_threshold=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY)

寻找轮廓

python 复制代码

contours,hierarch=cv2.findContours(img_threshold,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

查找凸包

python 复制代码

cnt=contours[0]

hull=cv2.convexHull(cnt)

绘制轮廓

python 复制代码

img_polyline=cv2.polylines(img,[hull],isClosed=True,color=(0,0,255),thickness=3)

输出图像

python 复制代码

cv2.imshow('img',img)
cv2.waitKey(0)

完整代码

python 复制代码

import cv2  

# 读取名为"tubao.png"的图像。  
img=cv2.imread('tubao.png')  

# 将图像从 BGR（蓝、绿、红）色彩空间转换为灰度。  
img_gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)  

# 将灰度图像进行二值化。所有高于阈值 127 的像素都设置为 255（白色），而所有低于 127 的像素都设置为 0（黑色）。  
ret,img_threshold=cv2.threshold(img_gray,127,255,cv2.THRESH_BINARY)  

# 在二值化图像中查找轮廓。  
# cv2.RETR_EXTERNAL 模式仅检索外部轮廓。  
# cv2.CHAIN_APPROX_SIMPLE 压缩水平、垂直和对角线段，仅保留它们的端点。  
contours,hierarch=cv2.findContours(img_threshold,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)  

# 我们假设图像中只有一个轮廓。  
cnt=contours[0]  

# 计算轮廓的凸包。  
hull=cv2.convexHull(cnt)  

# 在图像上绘制凸包。  
# img：要在其上绘制的图像。  
# [hull]：凸包点数组。  
# isClosed=True：绘制的折线是闭合的。  
# color=(0,0,255)：颜色是红色。  
# thickness=3：折线的粗细为 3 像素。  
img_polyline=cv2.polylines(img,[hull],isClosed=True,color=(0,0,255),thickness=3)  

# 显示图像。  
cv2.imshow('img',img)  
# 等待用户按下某个键。  
cv2.waitKey(0)

四、库函数

4.1、findContours()

python 复制代码

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

方法	描述
image	源，一个 8 位单通道图像。非零像素被视为 1。零像素仍为 0，因此图像被视为 binary 。您可以使用 compare、inRange、threshold、adaptiveThreshold、Canny 等创建灰度或彩色图像的二进制图像。如果 mode 等于 RETR_CCOMP 或 RETR_FLOODFILL，则输入也可以是标签的 32 位整数图像（CV_32SC1）。
contours	检测到的轮廓。每个轮廓都存储为点向量（例如 std：：vector<std：：vector<cv：:P oint> >）。
hierarchy	可选的输出向量（例如 std：：vector<cv：：Vec4i>），包含有关图像拓扑的信息。它的单元数与等值线的数量一样多。对于每个第 i 个轮廓轮廓[i]，元素 hierarchy[i][0] 、hierarchy[i][1] 、hierarchy[i][2] 和 hierarchy[i][3] 在同一层次结构级别的下一个和上一个轮廓的轮廓中分别设置为从 0 开始的索引，即第一个子轮廓和父轮廓。如果轮廓 i 没有 next、previous 、parent 或 nested 等值线，则 hierarchy[i] 的相应元素将为负数。
mode	等值线检索模式，参见 RetrievalModes
method	等值线近似方法，请参阅 ContourApproximationModes
offset	每个等值线点移动的可选偏移量。如果轮廓是从图像 ROI 中提取的，然后应该在整个图像上下文中对其进行分析，这将非常有用。

|-----------------------------------------|----------------------------------------------------------------------------|
| RETR_EXTERNAL Python：cv.RETR_EXTERNAL | 仅检索极端外轮廓。它为所有轮廓设置。hierarchy[i][2]=hierarchy[i][3]=-1 |
| RETR_LIST Python：cv.RETR_LIST | 检索所有等值线，而不建立任何分层关系。 |
| RETR_CCOMP Python：cv.RETR_CCOMP | 检索所有等值线并将它们组织到一个两级层次结构中。在顶层，有组件的外部边界。在第二层，有孔的边界。如果已连接零部件的孔内有其他轮廓，则仍将其置于顶层。 |
| RETR_TREE Python：cv.RETR_TREE | 检索所有等值线并重新构建嵌套等值线的完整层次结构。 |
| RETR_FLOODFILL Python：cv.RETR_FLOODFILL |

|---------------------------------------------------------|------------------------------------------------------------------------------------------------------------------|
| CHAIN_APPROX_NONE Python：cv.CHAIN_APPROX_NONE | 绝对存储所有等高线点。也就是说，等值线的任意 2 个后续点（x1，y1）和（x2，y2）将是水平、垂直或对角线相邻点，即 max（abs（x1-x2），abs（y2-y1））==1。 |
| CHAIN_APPROX_SIMPLE Python：cv.CHAIN_APPROX_SIMPLE | 压缩水平、垂直和对角线段，仅保留其端点。例如，一个直立的矩形轮廓用 4 个点编码。 |
| CHAIN_APPROX_TC89_L1 Python：cv.CHAIN_APPROX_TC89_L1 | 应用了 Teh-Chin 链近似算法的一种风格 [266] |
| CHAIN_APPROX_TC89_KCOS Python：cv.CHAIN_APPROX_TC89_KCOS | 应用了 Teh-Chin 链近似算法的一种风格 [266] |

4.2、convexHull()

python 复制代码

cv.convexHull(	points[, hull[, clockwise[, returnPoints]]]	) ->	hull

returnPoints	Operation 标志。对于矩阵，当 flag 为 true 时，该函数返回凸包点。否则，它将返回凸包点的索引。当输出数组为 std：：vector 时，将忽略该标志，输出取决于向量的类型：std：：vector<int> 表示 returnPoints=false，std：：vector<Point> 表示 returnPoints=true。

4.3、polylines()

python 复制代码

cv.polylines(	img, pts, isClosed, color[, thickness[, lineType[, shift]]]	) ->	img

shift	顶点坐标中的小数位数。

Enumerator
FILLED Python: cv.FILLED
LINE_4 Python: cv.LINE_4	4-connected line
LINE_8 Python: cv.LINE_8	8-connected line
LINE_AA Python: cv.LINE_AA	antialiased line