图像预处理-绘制图像轮廓与凸包

一.绘制图像轮廓

1.1 轮廓

相对于边缘，轮廓是连续闭合的，边缘不一定连续。

边缘检测 主要用于判断图像中的物件类型 ，轮廓则获取物件形态(比如矩形宽高)

1.2 寻找轮廓

寻找轮廓需要将图像做一个二值化处理，要绘制轮廓的部分置为白色，其余部分置为黑色。

一个白色像素 相邻（上下左右及两条对角线）位置有黑色像素 存在或者一个黑色像素 相邻（上下左右及两条对角线）位置有白色像素 存在时，那么该像素点就会被认定为边界像素点，轮廓就是有无数个这样的边界点组成的。

contours,hierarchy = cv2.findContours(image，mode，method)

返回值 ：[ 轮廓点坐标 ] 和 [ 层级关系 ]。
contours ：表示获取到的轮廓点的列表，是一个元组。检测到有多少个轮廓，该列表就有多少子列表，每一个子列表 都代表了一个轮廓中所有点的坐标。
hierarchy ：表示轮廓之间的关系。对于第i条轮廓，hierarchy[i][0], hierarchy[i][1] , hierarchy[i][2] , hierarchy[i][3]分别表示其后一条 轮廓、前一条 轮廓、（同层次的第一个 ）子轮廓 、父轮廓的索引（如果没有相应的轮廓，则对应位置为-1）。该参数的使用情况会比较少。
image：表示输入的二值化图像。
mode：表示轮廓的检索模式。
method：轮廓的表示方法。

1.2.1 mode参数

RETR_EXTERNAL

只查找最外层 的轮廓。并且在hierarchy里的轮廓关系中，每一个轮廓只有前一条 轮廓与后一条 轮廓的索引，而没有父轮廓与子轮廓的索引。

RETR_LIST

查找所有轮廓 ，每一个轮廓只有前一条轮廓与后一条轮廓的索引，而没有父轮廓与子轮廓的索引。

RETR_CCOMP

查找所有轮廓，列出所有的轮廓。并且在hierarchy里的轮廓关系中，会像下图一样显示六条数据：

RETR_TREE

表示列出所有的轮廓。并且在hierarchy里的轮廓关系中，轮廓会按照树的方式显示，其中最外层的轮廓作为树根，其子轮廓是一个个的树枝。(这个方法作了解)

1.2.2 method参数

轮廓存储方法：

CHAIN_APPROX_NONE表示将所有的轮廓点都进行存储
CHAIN_APPROX_SIMPLE 表示只存储有用的点，比如直线只存储起点和终点，四边形只存储四个顶点，默认使用这个方法

1.2.3 绘制轮廓

cv2.drawContours(image, contours, contourIdx, color, thickness)

image：原始图像，一般为单通道或三通道的 numpy 数组。
contours ：一个元组包含多个轮廓的列表（有几个轮廓元组就有几个元素），每个轮廓本身也是一个由点坐标构成的二维数组（numpy数组）。
contourIdx ：要绘制的轮廓索引。如果设为 -1 ，则会绘制所有轮廓。根据索引找到轮廓点绘制出来。默认是-1。
color：绘制轮廓的颜色，可以是 BGR 值或者是灰度值（对于灰度图像）。
thickness ：轮廓线的宽度，如果是正数，则画实线；如果是负数，则填充轮廓内的区域。

python 复制代码

import cv2 as cv

img = cv.imread('../images/pig.png')
img1 = cv.imread('../images/pig.png')

# 灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 二值化
ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_OTSU)

# 只绘制外部轮廓
contours, hierarchy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
cv.drawContours(img, contours, -1, (0, 255, 0), 3)

# 绘制内外
contours1, hierarchy1 = cv.findContours(binary, cv.RETR_CCOMP, cv.CHAIN_APPROX_SIMPLE)
cv.drawContours(img1, contours1, -1, (0, 255, 0), 3)

cv.imshow('img', img)
cv.imshow('img1', img1)
cv.imshow('binary', binary)
cv.waitKey(0)
cv.destroyAllWindows()

二.凸包特征检测

凸包其实就是将一张图片中物体的最外层的点连接 起来构成的凸多边形，它能包含物体中所有的内容。存在凸包，那么这个点集里面的所有点要么在凸包上 ，要么在凸包内 。凸包点 则是最外层的点。

2.1 获取凸包点的方法

穷举法

将集中的点进行随机两两配对，并进行连线，对于每条直线，检查其余所有的点是否处于该直线的同一侧 ，如果是，那么说明构成该直线的两个点就是凸包点，其余的线依次进行计算，从而获取所有的凸包点。

QuickHull法

所有点放在二维坐标系中，找到横坐标最小和最大的两个点并连线。此时整个点集被分为两部分，直线上为上包，直线下为下包。

找到上包中的点距离该直线最远的点,连线并寻找之前连的左直线左侧的点和右直线右侧的点，然后重复本步骤，直到找不到为止。对下包也是这样操作。

上图就是 QuickHull的寻找过程，顺序已经在图中标出。

2.2 获取凸包点函数

cv2.convexHull(points)

points ：输入参数，图像的轮廓(需要先获取 ，若有多个轮廓 要调用for循环获取contours元组里的所有坐标)

2.3 绘制凸包

cv2.polylines(image, pts, isClosed, color, thickness=1)

pts ：一个二维 numpy 数组，每个元素是一维数组，代表一个多边形的一系列顶点坐标(凸包点)。
isClosed ：布尔值,表示是否闭合多边形 ,如果为 True ，会在最后一个顶点和第一个顶点间自动添加一条线段，形成封闭的多边形。
color ：线条颜色，可以是一个三元组或四元组，分别对应BGR 或BGRA 通道的颜色值，或者是灰度图像 的一个整数值。
thickness （可选）：线条宽度，默认值为1。

python 复制代码

import cv2 as cv

img = cv.imread('../images/tu.png')
img1 = cv.imread('../images/tu.png')

# 灰度化
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 二值化
ret, binary = cv.threshold(gray, 127, 255, cv.THRESH_BINARY)

# 轮廓发现
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# 获取凸包
# 这里是用一个列表包装了所有坐标，所以后面的hull传参不需要加[]
hull = [cv.convexHull(c) for c in contours]
# 两种方式都可以，这种需要传hull套上[]，毕竟只能传一个参数进去
hull1 = cv.convexHull(contours[0])

# 绘制轮廓
cv.drawContours(img, hull, -1, (0, 255, 0), 2)
cv.drawContours(img1, [hull1], -1, (0, 0, 255), 2)

cv.imshow('img', img) 
cv.imshow('img1', img1)
cv.waitKey(0)
cv.destroyAllWindows()