OpenCV

OpenCV-py学习笔记（四）—— 轮廓检测

Posted by 刘知安 on 2019-10-26
文章目录
  1. 轮廓检测
    1. 参考资料
    2. 0. 什么是轮廓？
    3. 1. 基本使用
    4. 2. 基本使用示例
    5. 3. 轮廓的常用特征和性质（外接矩形、等效直径等）
    6. 4. 轮廓的层级（contours hierarchy）

@[toc]
这几天一直在学习特征点检测、角点检测相关的内容，更新的略慢，这篇博文将主要介绍一下图像的轮廓方面的知识和openCV中的相关操作。

轮廓检测

参考资料

0. 什么是轮廓？

所谓轮廓，简单地可以解释为，一些连续的，沿着曲线边界的，点的集合，这些点拥有相同的颜色或者亮度。【In English, Contours can be explained simply as a curve joining all the continuous points (along the boundary), having same color or intensity。】这些轮廓往往在目标检测和目标识别中很有作用。

下面是几个在使用opencv作轮廓检测时需要注意的点：

  • 为了更精确地提取轮廓，请使用二值图。也就是说，在使用轮廓提取函数前，请将源图片运用阈值进行二值化(cv2.threshold())或者采用Canny边缘检测。
  • findContours 函数会修改源图片，如果希望在轮廓检测后继续使用源图片，务必提前保存在另一个变量中。
  • 在OpenCV中，轮廓检测视作从黑色背景中提取白色的物体，所以，在结果中，白色表示物体，黑色表示背景。

1. 基本使用

下面是一个轮廓检测的基本使用例子：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
def find_contours_of_binary_image():
	im = cv2.imread('rectangle.jpg')
	imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
	ret, thresh = cv2.threshold(imgray, 127, 255, 0)

	image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)


	print("一共检测到%d个轮廓" % len(contours))
	for i in range(len(contours)):
		print("第%d个轮廓:" % (i + 1))
		print(contours[i])

	# -1 代表画出所有轮廓
	res = cv2.drawContours(im, contours, -1, (0, 255, 0), thickness=3)
	img_show(res)

提取轮廓的步骤大概会是这样子：

  1. 读取源图片，并转化为灰度图
  2. 运用threshold将灰度图片二值化（也可以使用Canny边缘检测）
  3. 使用findContours()函数找到所有的轮廓
  4. 使用drawContours()函数将轮廓画出来

这里对findContours()函数和drawContours()函数这两个方法的参数做一个解释：

  • image, contours, hierarchy = findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE):

    ==输入参数==，第一个参数是待提取轮廓的源图片（是一个二值图），第二个参数指的是轮廓提取的模式，第三个参数是怎么去近似轮廓的模式；暂时不理解没关系，继续往下看示例部分。

    ==输出参数==，第一个是原图片，第二个是所有的轮廓，用的是python内置的list，如果一张图里面有n个轮廓，那就是一个长度为n的list，而list中的每一项就是一些些点，具体来说，就是一个shape为[?x1x2]的numpy数组，?为轮廓上的点的数目，而后面的1x2自然就是每个点的x，y坐标了。第三个参数是一个轮廓检索时会用到的下标，后面我们会讲到。

  • res = cv2.drawContours(im, contours, -1, (0, 255, 0), thickness=3):
    ==输入参数==，第一个参数是源图片（要在哪个图片上画出轮廓），第二个参数指的是画哪个轮廓，-1表示全部画出，第三个参数是轮廓画笔的颜色，后面有些可选参数，比如画笔的粗细，这里选的是3.

    ==输出参数==，很简答，就是结果图片了。

2. 基本使用示例

所谓一图胜千言，这里是几个示例：
在这里插入图片描述

有点朋友可能对两个函数的输入输出还是有点懵逼，这里再结合例子详细说明。我们说，轮廓是对一个物体的边界的一个描述对吧？比如一条直线，一个矩形的边框。假如有一条直线，我们是不是真的需要把直线上的每个点都找出来呢，或者说，我们是不是真的需要把沿着矩形边框上的每个点也给他找出来？当然不要，2点确定一条直线，4点确地一个矩形。而这就是findContours()中第三个输入参数的意义。（a type of approximation）

我做了一个简单的图片，运行上面的示例代码，输出信息和图片如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
一共检测到2个轮廓
第1个轮廓:
[[[233  89]]

 [[233 165]]

 [[363 165]]

 [[363  89]]]
第2个轮廓:
[[[ 50  55]]

 [[ 50 186]]

 [[128 186]]

 [[128  55]]]

在这里插入图片描述
假如你说，哎，我就是非要把轮廓上每个点找出来，当然可以！参数改为cv2.CHAIN_APPROX_NONE（不近似的意思），效果是一样的，只不过点多了些（大概几百个）。至于其他的近似方法，可以查看官方文档。

3. 轮廓的常用特征和性质（外接矩形、等效直径等）

这里就不细说了，看>>官方文档<<吧！

4. 轮廓的层级（contours hierarchy）

这个非常有必要详细说明，这也是findContours()函数第二个输入参数和最后一个输出参数的含义，这表明了各轮廓的父-子关系。

什么是轮廓的层级？
一般来说，我们用findContours()函数来找一个图像中的所有物体的轮廓，对吧? 当一张图里面有多个物体，就算是一个物体，它也会有多个组成部分，所以，在一定程度上，这些物体的轮廓之间必然相互之间存在一个关系。那怎么表示这种关系呢？可以类似层级的思想，在外面的是父亲，在里面的是孩子。

打个比方，一个人，有两个眼睛，在找轮廓时，我肯定会先找最大的那个，也就是人这个整体，然后人的眼睛又是在人这个整体中的一部分，于是我们就称眼睛是人体的子轮廓，反过来就是一个父亲的关系了。当然，有父子肯定就会存在兄弟，左眼睛和右眼睛就是兄弟关系了。

看下面这个图片：
在这里插入图片描述

最外面一层，记为第0层，有轮廓0、1、2，轮廓2的下一级是轮廓2a，轮廓2a的下一级是3，轮廓3的下一级是轮廓3a，3a的下一级有轮廓4、5。

在OpenCV中，用一个4个数字的元组来表示它们的层级关系，分别是[Next, Previous, First_Child, Parent],next是同一级的下一个轮廓，previous是同一级的上一个轮廓，first_child是下一级的第一个子轮廓，parent则是父轮廓了。

==说明:如果不存在，则用-1表示。==

还记得findContours()的第二个输入参数和输出hierarchy吗？

Contour Retrieval Mode：

  1. CV2.RETR_LIST
    这是最简单的提取轮廓的方式了，这种方式下，也不管你什么父-子关系，提取出来所有找到的轮廓就完事儿了，然后全部统统简单的用一个list返回给你，所以，安装OpenCV的表达父子关系的方式，元组的最后两个取值必然都是-1了。而且前两个元素的取值在各个item中必然是“连续的”。

在这里插入图片描述

继续这个图，得到的hierarchy结果如下：

1
2
3
4
5
6
7
8
[[[ 1 -1 -1 -1]
  [ 2  0 -1 -1]
  [ 3  1 -1 -1]
  [ 4  2 -1 -1]
  [ 5  3 -1 -1]
  [ 6  4 -1 -1]
  [ 7  5 -1 -1]
  [-1  6 -1 -1]]]

而8个轮廓的像素依次如下：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
一共检测到8个轮廓
第0个轮廓:
[[[365 174]]
 [[365 283]]
 [[564 283]]
 [[564 174]]]
第1个轮廓:
[[[148 128]]
 [[148 277]]
 [[273 277]]
 [[273 128]]]
第2个轮廓:
[[[ 83  94]]
 [[ 84  93]]
 [[589  93]]
 [[590  94]]
 [[590 316]]
 [[589 317]]
 [[ 84 317]]
 [[ 83 316]]]
第3个轮廓:
[[[ 79  89]]
 [[ 79 321]]
 [[594 321]]
 [[594  89]]]
第4个轮廓:
[[[ 25  62]]
 [[ 26  61]]
 [[622  61]]
 [[623  62]]
 [[623 344]]
 [[622 345]]
 [[ 26 345]]
 [[ 25 344]]]
第5个轮廓:
[[[ 21  57]]
 [[ 21 349]]
 [[627 349]]
 [[627  57]]]
第6个轮廓:
[[[ 18  13]]
 [[ 17  14]]
 [[ 17  16]]
 [[ 18  17]]
 [[135  17]]
 [[136  16]]
 [[136  14]]
 [[135  13]]]
第7个轮廓:
[[[217  11]]
 [[216  12]]
 [[216  14]]
 [[217  15]]
 [[509  15]]
 [[510  14]]
 [[510  12]]
 [[509  11]]]
  1. CV2.RETR_TREE

这种模式下，OpenCV会为我们处理好各轮廓之间的父-子关系，hierarchy的结果如下：

1
2
3
4
5
6
7
8
[[[ 6 -1  1 -1]
  [-1 -1  2  0]
  [-1 -1  3  1]
  [-1 -1  4  2]
  [ 5 -1 -1  3]
  [-1  4 -1  3]
  [ 7  0 -1 -1]
  [-1  6 -1 -1]]]

各轮廓的标记如下，红色数字表示该轮廓的索引，黄色数字表示概论课所处的层级，白色的四元组是该轮廓与其他轮廓间的关系表达方式。
在这里插入图片描述

  1. RETR_CCOMP
  2. RETR_EXTERNAL

这两个好像用的不多，详情参见官网吧，我也没仔细看。

如有不对，欢迎指出，thank you~

FEATURED TAGS
OpenCV
FRIENDS