【OpenCV学习笔记25】- OpenCV中的轮廓 - 轮廓:更多的功能

这是对于 OpenCV 官方文档中 图像处理 的学习笔记。学习笔记中会记录官方给出的例子，也会给出自己根据官方的例子完成的更改代码，同样彩蛋的实现也会结合多个知识点一起实现一些小功能，来帮助我们对学会的知识点进行结合应用。

如果有喜欢我笔记的请麻烦帮我关注、点赞、评论。谢谢诸位。

学习笔记：

学习笔记目录里面会收录我关于OpenCV系列学习笔记博文，大家如果有什么不懂的可以通过阅读我的学习笔记进行学习。

【OpenCV学习笔记】- 学习笔记目录

内容

• 凸性缺陷以及如何发现它们。
• 求点到多边形的最短距离
• 搭配不同的形状

  理论和代码

  1.凸包缺陷

  在轮廓特征中，我们看到了关于轮廓的凸包。物体与该船体的任何偏离都可以视为凸包缺陷。

  OpenCV带有一个现成的函数 cv2.convexityDefect() 来查找该函数。基本的函数调用如下所示：

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

  注意 请记住，在寻找凸包时，我们必须传递returnPoints = False，以便寻找凸缺陷。

  它返回一个数组，其中每行包含这些值- [起点，终点，最远点，到最远点的近似距离]。我们可以使用图像对其进行可视化。我们画一条连接起点和终点的线，然后在最远的点画一个圆。请记住，返回的前三个值是cnt的索引。因此，我们必须从cnt带来这些值。

  示例代码：

  # OpenCV中的轮廓
  # 轮廓：更多功能
  # 1.凸包缺陷
  import cv2 as cv
  img = cv.imread('../image/3.9.3.png')
  img_gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
  ret, thresh = cv.threshold(img_gray, 127, 255, 0)
  contours, hierarchy = cv.findContours(thresh, 2, 1)
  cnt = contours[0]
  hull = cv.convexHull(cnt, returnPoints=False)
  defects = cv.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])
      cv.line(img, start, end, [0, 255, 0], 2)
      cv.imshow('img', img)
      cv.waitKey(0)
      cv.circle(img, far, 5, [0, 0, 255], -1)
      cv.imshow('img', img)
      cv.waitKey(0)
  cv.waitKey(0)
  cv.destroyAllWindows()
  

  效果图：

  

  2.点多边形测试

  此功能查找图像中的点与轮廓之间的最短距离。它返回的距离为：当点在轮廓外时为负；当点在轮廓内时为正；如果点在轮廓上，则返回零。

  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(它分别返回+ 1，-1、0)。

  注意 如果您不想查找距离，请确保第三个参数为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。

  3.匹配形状

  OpenCV带有函数 cv2.matchShapes()，使我们能够比较两个形状或两个轮廓，并返回显示相似性的度量。结果越低，匹配越好。它是基于 hu-moment 值计算的。文档中介绍了不同的测量方法。

  示例代码：

  # OpenCV中的轮廓
  # 轮廓：更多功能
  # 3.匹配形状
  import cv2 as cv
  img1 = cv.imread('../image/3.9.3-1.png', 0)
  img2 = cv.imread('../image/3.9.3-2.png', 0)
  ret, thresh = cv.threshold(img1, 127, 255, 0)
  ret, thresh2 = cv.threshold(img2, 127, 255, 0)
  contours, hierarchy = cv.findContours(thresh, 2, 1)
  cnt1 = contours[0]
  contours, hierarchy = cv.findContours(thresh2, 2, 1)
  cnt2 = contours[0]
  cnt3 = contours[1]
  cnt4 = contours[2]
  ret = cv.matchShapes(cnt1, cnt2, 1, 0.0)
  print(ret)
  ret = cv.matchShapes(cnt1, cnt3, 1, 0.0)
  print(ret)
  ret = cv.matchShapes(cnt1, cnt4, 1, 0.0)
  print(ret)
  

  原图：

  

  

  命令行/控制台输出：

  0.2916606851092495
  0.006417678155163753
  0.0
  

  我得到以下结果：

  • 图像和本身匹配= 0.0
  • 将图像与旋转图匹配= 0.006417678155163753
  • 将图像与其他图像匹配= 0.2916606851092495

    即使图像旋转也不会对该比较产生太大影响。

    笔记 Hu-矩是对平移、旋转和缩放不变的七个矩。第七个是倾斜不变的。这些值可以使用cv.HuMoments()函数找到。

    彩蛋（彩蛋我会在后面进行更新）

    1. 检查 cv.pointPolygonTest() 的文档，您可以找到红色和蓝色的漂亮图像。它表示所有像素到其上白色曲线的距离。曲线内的所有像素都呈蓝色，具体取决于距离。同样，外部点是红色的。轮廓边缘用白色标记。所以问题很简单。编写代码来创建这样的距离表示。
    2. 使用 cv.matchShapes() 比较数字或字母的图像。 （这将是迈向 OCR 的简单一步）