1.1什么是輪廓
輪廓可以簡單認為成連續的點（連着邊界）連在一起的曲線，具有相同的顏色或者灰度。輪廓在形狀分析和物體的檢測和識別中很有用。

  • 為了准確，要使用二值化圖像。需要進行閥值化處理或者Canny邊界檢測。
  • 查找輪廓的函數會修改原始圖像。如果之后想繼續使用原始圖像，應該將原始圖像儲存到其他變量中。
  • 在OpenCV中，查找輪廓就像在黑色背景中超白色物體。你應該記住，要找的物體應該是白色而背景應該是黑色。
    如何在一個二值圖像中查找輪廓。
    函數cv2.findContours()有三個參數，第一個是輸入圖像，第二個是輪廓檢索模式，第三個是輪廓近似方法。返回值有三個，第一個是圖像，第二個是輪廓，第三個是（輪廓的）層析結構。輪廓（第二個返回值）是一個Python列表，其中儲存這圖像中所有輪廓。每一個輪廓都是一個Numpy數組，包含對象邊界點（x，y）的坐標。
    1.2怎樣繪制輪廓
    函數cv2.drawContours()可以被用來繪制輪廓。它可以根據你提供的邊界點繪制任何形狀。它的第一個參數是原始圖像，第二個參數是輪廓，一個python列表，第三個參數是輪廓的索引（在繪制獨立輪廓是很有用，當設置為-1時繪制所有輪廓）。接下來的參數是輪廓的顏色和厚度。
    在一幅圖像上繪制所有的輪廓：
import numpy as np
import cv2

img = cv2.imread('1024.jpg') imgray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(imgray,127,255,0) image ,contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) #繪制獨立輪廓，如第四個輪廓 #imag = cv2.drawContour(img,contours,-1,(0,255,0),3) #但是大多數時候，下面方法更有用 imag = cv2.drawContours(img,contours,3,(0,255,0),3) while(1): cv2.imshow('img',img) cv2.imshow('imgray',imgray) cv2.imshow('image',image) cv2.imshow('imag',imag) if cv2.waitKey(1) == ord('q'): break cv2.destroyAllWindows()

1.3輪廓的近似方法
之前提到輪廓是一個形狀具有相同灰度值的邊界，它會存儲形狀邊界上所有的（x,y）坐標。實際上我們不需要所有的點，當需要直線時，找到兩個端點即可。cv2.CHAIN_APPROX_SIMPLE可以實現。它會將輪廓上的冗余點去掉，壓縮輪廓，從而節省內存開支。
下面用矩陣來演示，在輪廓列表中的每一個坐標上畫一個藍色圓圈。第一個顯示使用cv2.CHAIN_APPROX_NONE的效果，一共734個點，第二個圖是使用cv2.CHAIN_APPROX_SIMPLE的結果，只有4個點。

2.輪廓特征
2.1矩
圖像的矩可以幫助我們計算圖像的質心，面積等。
函數cv2.moments()會將計算得到的矩以一個字典的形式返回。

import numpy as np
import cv2

img = cv2.imread('1024.jpg',0) ret,thresh = cv2.threshold(img,127,255,0) image,contours,hierarchy=cv2.findContours(thresh,1,2) cnt=contours[0] M=cv2.moments(cnt) print(M)

根據這些矩的值，我們可以計算出對象的重心：

cx=int(M['m10']/M['m00']) cy=int(M['m01']/M['m00'])

2.2輪廓面積
可以使用函數cv2.contourArea()計算得到，也可以用矩（0階矩），M['m00']。

area=cv2.contourArea(cnt)

2.3輪廓周長
也被稱為弧長。可以使用函數cv2.arcLength()計算得到。這個函數的第二參數可以用來指定對象的形狀是閉合的（True），還是打開的（一條曲線）。

perimeter = cv2.arcLength(cnt,True)

2.4輪廓近似
將輪廓形狀近似到另外一種由更少點組成的輪廓形狀，新輪廓的點的數目由我們設定的准確度來決定，使用的Douglas-Peucker算法，可以自己Google。
假設我們要在一幅圖像中查找一個矩形，但是由於圖像的種種原因我們不能得到一個完美的矩形，而是一個“壞形狀”，現在就可以使用這個函數來近似這個形狀，第二個參數是epsilon，它是從原始輪廓到近似輪廓的最大距離，它是一個准確度參數。

epsilon=0.1*cv2.arcLength(cnt,True) approx = cv2.approxPolyDP(cnt,epsilon,True)

2.5凸包
凸包與輪廓近似相似，但不同，雖然有些情況下它們給出的結果是一樣的。函數cv2.convexHull()可以用來檢測一個曲線是否具有凸性缺陷，並能糾正缺陷。一般來說，凸性曲線總是凸出來的，至少是平的。如果有地方凹進去了就被叫做凸性缺陷。例如下圖中的手，紅色曲線顯示了手的凸包，凸性缺陷被雙箭頭標出來了。

hull = cv2.convexHull(points,hull,clockwise,returnPoints)

參數：

  • points我們要傳入的輪廓
  • hull輸出，通常不需要
  • clockwise方向標志，如果設置為True，輸出的凸包是順時針方向的，否則為逆時針方向。
  • returnPoints默認值為True。它會返回凸包上點的坐標，如果設置為False，就會返回與凸包點對應的輪廓上的點。
    要獲得上圖的凸包，可以用下面命令：
hull=cv2.convexHull(cnt)

但是如果你想獲得凸性缺陷，需要把returnPoints設置為False。以上面矩形為例，首先我們找到他的輪廓從cnt。現在把returnPoints設置為True查找凸包，得到的就是矩形的四個角點。把returnPoints設置為False，得到的是輪廓點的索引。
2.6凸性檢測
函數cv2.isContourConvex()可以檢測一個曲線是不是凸的。它只能返回True或者False。

k=cv2.isContourConvex(cnt)

2.7邊界矩形
直邊界矩形，一個直矩形，沒有旋轉。不會考慮對象是否旋轉。所以邊界矩形的面積不是最小的。可以使用函數cv2.boundingRect()查找得到

#（x,y）為矩形左上角的坐標，（w,h）是矩形的寬和高 x,y,w,h=cv2.boundingRect(cnt) img=cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

旋轉的邊界矩形，這個邊界矩形是面積最小的，因為它考慮了對象的旋轉。用函數cv2.minAreaRect()。返回的是一個Box2D結構，其中包含矩形最上角角點坐標（x，y）矩形的寬和高（w,h）以及旋轉角度。但是要繪制這個矩形需要矩形的4個角點，可以通過函數cv2.boxPoints()獲得。
其中綠色的為直矩形，紅色為旋轉矩形。

2.8最小外接圓
函數cv2.minEnclosingCircle()可以幫我們找到一個對象的外接圓。它是所有能夠包括對象的圓中面積最小的一個。

(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y)) radius = int(radius) img = cv2.circle(img,center,radius,(0,255,0),2)

2.9橢圓擬合
使用函數cv2.ellipse()，返回值其實就是旋轉邊界矩形的內切圓。

ellipse = cv2.fitEllipse(cnt) img = cv2.ellipse(img,ellipse,(0,255,0),2)

2.10直線擬合
可以根據一組點擬合出一條直線，同樣我們也可以為圖像中的白色點擬合出一條直線。

rows,cols = img.shape[:2] [vx,vy,x,y]=cv2.fitLine(cnt,cv2.DIST_L2,0,0.01,0.01) lefty=int((x*vy/vx)+y) righty=int(((cols-x)*vy/vx)+y) img = cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)