（纯新手教学）计算机视觉（opencv）实战十——轮廓特征（轮廓面积、 轮廓周长、外接圆与外接矩形）

---

轮廓特征详解

在图像处理和计算机视觉中，轮廓（Contour） 是物体边界的一种表现形式。通过提取图像中的轮廓，我们可以获取目标区域的形状、面积、周长、外接几何体等重要特征，为后续的目标识别、分类和检测奠定基础。

OpenCV 提供了一系列函数来计算和操作轮廓，本文将结合代码示例对常见的轮廓特征进行说明。

---

原图：

1. 轮廓面积 cv2.contourArea()

#--------轮廓特征--------
import  cv2

phone = cv2.imread('phone.png')#读取原图
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)#灰度图的处理
ret, phone_binary = cv2.threshold(phone_gray,120,255, cv2.THRESH_BINARY)#阈值处理为二值
_,contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
# contours = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]  # 通用



# cv2.contourArea(contour[, oriented]) -> retval     轮廓面积
# contour:顶点构成的二维向量组(如轮廓列表contours中的一个轮廓)
# oriented，定向区域标志，默认值为 False，返回面积的绝对值，Ture 时则根据轮廓方向返回带符号的数值
area_0 = cv2.contourArea(contours[0])
print(area_0)
area_1 = cv2.contourArea(contours[1])
print(area_1)

• cv2.contourArea() 用于计算轮廓所包围的区域面积。

• 参数说明：

  • contour：单个轮廓（点集）。

  • oriented：布尔值，默认为 False，返回面积绝对值；若为 True，则返回带符号的值（顺时针或逆时针）。

在实际应用中，面积可用于 过滤小轮廓 （噪声），或用于 目标筛选（如筛选面积最大的轮廓）。

---

2. 轮廓周长 cv2.arcLength()

# arclength(InputArray curve, bool closed)            轮廓周长
# curve，输入的二维点集（轮廓顶点），可以是 vector 或 Mat 类型。
# closed，用于指示曲线是否封闭。
length = cv2.arcLength(contours[0],closed=True)
print(length)

• cv2.arcLength() 用于计算轮廓的 周长。

• 参数：

  • curve：输入轮廓点集。

  • closed：是否闭合，通常为 True。

周长可用于目标形状分析，例如判断目标是否接近圆形、多边形等。

---

3. 按面积筛选轮廓

# 根据面积显示特定轮廓
a_list=[]
for i in contours:
    if cv2.contourArea(i)>10000:
        a_list.append(i)
image_copy = phone.copy()
image_copy = cv2.drawContours(image=image_copy, contours=a_list, contourIdx=-1,color=(0,255,0),thickness=3)
cv2.imshow('Contours_show_10000', image_copy)
cv2.waitKey(0)

• 这里通过遍历所有 contours，利用 cv2.contourArea(i)>10000 进行筛选，仅保留面积大于 10000 的轮廓。

• 通过 cv2.drawContours() 绘制符合条件的轮廓。

这种方法常用于 去除小噪声轮廓，只显示大目标。

---

4. 轮廓排序与最大轮廓提取

# '''轮廓定位方法 根据轮廓面积进行排序'''
sortcnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]  # 选取最大面积的轮廓
image_contours = cv2.drawContours(phone.copy(), contours=[sortcnt], contourIdx=-1, color=(0,255,255),thickness=3)#绘制轮廓
cv2.imshow('image_contours',image_contours)
cv2.waitKey(0)

• 使用 Python 内置 sorted() 函数，按照 cv2.contourArea 计算的面积进行排序，reverse=True 表示从大到小排序。

• 这里选取面积最大的轮廓 sortcnt，并绘制在图像上。

👉 常见应用：提取图像中最主要的目标区域。

---

5. 外接圆与外接矩形

### 外接圆、外接矩形...
'''外接圆、外接矩形'''
cnt = contours[6]
(x,y),r = cv2.minEnclosingCircle(cnt)#计算轮廓的外接圆
phone_circle = cv2.circle(phone, (int(x),int(y)),int(r), (0,255,0),  2)#绘制外接圆的方法
cv2.imshow('phone_circle',phone_circle)
cv2.waitKey(0)

x,y,w,h = cv2.boundingRect(cnt)#计算轮廓的最小外接矩形
phone_rectangle = cv2.rectangle(phone, (x,y), (x+w,y+h), (0,255,0), 2)  # 在图像上绘制矩形
cv2.imshow('phone_rectangle',phone_rectangle)
cv2.waitKey(0)

外接圆 cv2.minEnclosingCircle()

• 计算轮廓的最小外接圆。

• 返回值：圆心坐标 (x,y) 和半径 r。

• 适用于检测近似圆形目标。

外接矩形 cv2.boundingRect()

• 计算轮廓的最小外接矩形（水平的，不旋转）。

• 返回 (x,y,w,h)，分别为矩形左上角坐标及宽高。

• 常用于目标定位与裁剪。

---

总结

本文结合代码演示了 轮廓特征的核心方法：

1. 面积 ：cv2.contourArea()

2. 周长 ：cv2.arcLength()

3. 按面积筛选轮廓

4. 排序提取最大轮廓

5. 外接圆、外接矩形

这些特征在 物体检测、目标识别、形状分析 等任务中非常常用。

通过这些几何特征，我们可以更好地理解和利用轮廓信息。

---

在计算机视觉和图像处理领域，轮廓特征 （Contour Features）用于描述图像中目标物体的形状、大小和位置等几何属性。轮廓是通过检测物体的边界（像素边缘）形成的，它是表示图像物体的一种重要方式。以下是常见的 轮廓特征，以及它们的详细说明：

---

1. 轮廓面积（Contour Area）

cv2.contourArea(contour)

• 功能：计算轮廓所包围区域的面积。

• 使用场景：

  • 用于 目标筛选，例如去除小噪声或小物体。

  • 计算对象的 尺寸，并用面积来分类。

示例：

area = cv2.contourArea(contour)

• 返回值：轮廓的面积（float类型）。

• 说明：面积可以帮助我们了解物体的大小，通常会用面积来进行阈值过滤，只保留大于某个面积的轮廓。

---

2. 轮廓周长（Contour Perimeter / Arc Length）

cv2.arcLength(contour, closed)

• 功能：计算轮廓的周长或弧长。

• 参数：

  • contour：需要计算的轮廓。

  • closed：布尔值，是否闭合轮廓。

示例：

length = cv2.arcLength(contour, closed=True)

• 返回值：轮廓的周长（float类型）。

• 说明 ：周长可以描述物体的边界长度，对于形状的 复杂性分析 非常有用。

---

3. 外接矩形（Bounding Rectangle）

cv2.boundingRect(contour)

• 功能：计算轮廓的最小外接矩形。

• 使用场景：

  • 目标定位，用于显示和裁剪。

  • 形状简化，通过矩形来描述目标，特别是当目标接近矩形时。

示例：

x, y, w, h = cv2.boundingRect(contour)

• 返回值 ：矩形的 (x, y) 位置和 (w, h) 宽高。

• 说明 ：外接矩形简单直观，广泛用于目标定位，尤其是在 目标检测 中。

---

4. 最小外接圆（Minimum Enclosing Circle）

cv2.minEnclosingCircle(contour)

• 功能：计算轮廓的最小外接圆，即能完全包围轮廓的最小圆形。

• 使用场景：

  • 判断目标是否接近 圆形。

  • 在 碰撞检测 中，如果目标是圆形的，可以使用外接圆来简化计算。

示例：

(x, y), r = cv2.minEnclosingCircle(contour)

• 返回值 ：圆心 (x, y) 和半径 r。

• 说明 ：外接圆是目标的最小圆形框，它常用于检测 近似圆形的目标。

---

5. 凸包（Convex Hull）

cv2.convexHull(contour)

• 功能：计算轮廓的凸包，即包含轮廓的最小凸多边形。

• 使用场景：

  • 用于提取物体的 凸性。如果目标物体是凸形状，凸包几乎和物体本身一致。

  • 也可用于形状 简化，忽略内部凹陷。

示例：

hull = cv2.convexHull(contour)

• 返回值 ：轮廓的 凸包，即包含所有轮廓点的最小凸多边形。

• 说明 ：凸包可以用来处理 不规则的形状，去除内凹部分，描述物体的外轮廓。

---

6. 轮廓的方向（Contour Orientation）

cv2.isContourConvex(contour)

• 功能 ：判断轮廓是否是 凸 的。

• 使用场景：

  • 判断轮廓是否有内凹部分，从而判断物体的 凸凹性质。

示例：

is_convex = cv2.isContourConvex(contour)

• 返回值 ：布尔值，True 表示是凸的，False 表示有凹陷。

• 说明 ：该方法有助于确定形状的基本性质，例如 凸多边形 和 凹多边形 的区别。

---

7. 最小外接椭圆（Min Area Rectangle）

cv2.fitEllipse(contour)

• 功能：拟合轮廓到最小外接椭圆。

• 使用场景：

  • 用于 椭圆形物体的检测 ，或 旋转矩形 的定位。

示例：

ellipse = cv2.fitEllipse(contour)

• 返回值 ：椭圆的 中心点 ，长短轴 和 旋转角度。

• 说明 ：该特征可以帮助处理 非矩形目标 ，例如 椭圆形的目标。

---

8. 轮廓近似（Contour Approximation）

cv2.approxPolyDP(contour, epsilon, closed)

• 功能：通过近似多边形逼近轮廓，用于简化轮廓。

• 使用场景：

  • 对轮廓进行 简化，减少轮廓的点数，使其更适合后续处理。

示例：

approx = cv2.approxPolyDP(contour, epsilon=0.02*cv2.arcLength(contour, True), closed=True)

• 返回值 ：简化后的 多边形点集。

• 说明 ：该方法可以用来减少 轮廓点的数量 ，使轮廓变得更加简洁，常用于 形状检测。

---

9. 轮廓的质心（Centroid）

质心（也叫 重心）是指轮廓的"几何中心"，它可以用于表示物体的位置。

如何计算？

1. 计算轮廓的 矩 ，例如二阶矩。

2. 使用矩的公式计算 质心。

   M = cv2.moments(contour)
   cx = int(M['m10'] / M['m00'])
   cy = int(M['m01'] / M['m00'])

• 返回值 ：质心的坐标 (cx, cy)。

• 说明 ：质心常用于 目标定位，特别是跟踪物体时。

---

总结

轮廓特征是图像分析中的一个重要部分，它们帮助我们获取目标物体的形状、大小、位置等几何信息。常见的轮廓特征包括 面积、周长、外接矩形、外接圆、凸包 、方向 、质心 等。在实际应用中，轮廓特征被广泛应用于 目标识别、目标定位、形状分析 和 图像分割 等任务。通过提取这些特征，能够有效地理解和分析图像中的物体。