[人工智能]opencv-python3 | cv2.findContours()检测图像中物体轮廓

什么是物体轮廓

轮廓可以简单地理解为连接所有连续点（沿物体边界）的曲线，这些点通常具有相同的颜色或强度。 轮廓在图像分析中具有重要意义，是物体形状分析和对象检测和识别的有用工具，是理解图像语义信息的重要依据。

cv2.findContours

通常，为了提高物体轮廓检测的准确率，首先要将彩色图像或者灰度图像处理成二值图像（黑白图像）或者使用Canny边缘检测算法对原图像进行一次滤波处理，这样可以在不丢失轮廓信息的前提下降低图像语义信息的复杂度，更有助于我们准确地分析物体轮廓。因此，在opencv里边，寻找轮廓的过程更像是在黑色背景中寻找白色物体。
下边是一段使用opencv-python里的cv2.findConttours()检测物体轮廓的代码。

import numpy as np
import cv2


im = cv2.imread('test.jpg')
imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

从上边的代码中，我们可以看到cv2.findContours()有三个参数：thresh、cv2.RETR_TREE、cv2.CHAIN_APPROX_SIMPLE。

参数说明：

• thresh：图像数据（二值图像或经过Canny算法处理之后的图像）
• cv2.RETR_TREE：轮廓检索方式，还有cv2.RETR_LIST、cv2.RETR_EXTERNAL、cv2.RETR_CCOMP
• cv2.CHAIN_APPROX_SIMPLE：轮廓的估计方法，除此之外还有 cv2.CHAIN_APPROX_NONE

第二个参数指定的不同轮廓检索方法有什么区别呢？

详情请参考 cv2.findContours()的轮廓层级关系.

前边说了物体轮廓是具有相同灰度值的形状的边界。它是以形状边界上的点的坐标（x,y）储存的，但是cnts里边是储存了边界上所有点的坐标吗？还是只储存了个别点的坐标？这是由第三个参数轮廓的估计方法指定的。如果传递 cv2.CHAIN_APPROX_NONE，则存储所有边界点。 但实际上我们需要所有的点吗？ 例如，您找到了一条直线的轮廓。 你需要线上的所有点来代表那条线吗？ 不，我们只需要那条线的两个端点。 这就是 cv.CHAIN_APPROX_SIMPLE 所做的。 它去除所有冗余点并压缩轮廓，从而节省内存。如图1所示。

　　　　　　图1. 不同轮廓估计方法的效果图

cv2.findContours()返回了两个变量：contours, hierarchy。

输出变量说明：

• contours：一个包含了图像中所有轮廓的list对象。其中每一个独立的轮廓信息以边界点坐标（x,y）的形式储存在numpy数组中。
• hierarchy：一个包含4个值的数组：[Next, Previous, First Child, Parent]。
  Next：与当前轮廓处于同一层级的下一条轮廓
  Previous：与当前轮廓处于同一层级的上一条轮廓
  First Child：当前轮廓的第一条子轮廓
  Parent：当前轮廓的父轮廓
  因为一般不使用hierarchy，所以这里不讨论轮廓的层级关系，想深入研究的朋友请移步：cv2.findContours()的轮廓层级关系.

cv2.drawContours

计算得到图像中物体轮廓之后，我们需要将轮廓在图像中绘制出来才能更直观地体验到。这时候需要用到cv2.drawContours()方法。它的第一个参数是图像，第二个参数是储存轮廓信息的python 列表，第三个参数是轮廓的索引（在绘制单个轮廓时很有用。要绘制所有轮廓，传递 -1），其余参数是颜色、厚度 等等。

绘制检索到的所有轮廓

cv.drawContours(img, contours, -1, (0,255,0), 3)

绘制检索到的所有轮廓中的第四个

cv.drawContours(img, contours, 3, (0,255,0), 3)

但是更多时候我们使用下边这种方法绘制单独的某一个轮廓。

第二种方法绘制检索到的所有轮廓中的第四个

cnt = contours[4]
cv.drawContours(img, [cnt], 0, (0,255,0), 3)

代码示例

import cv2
import imutils
import numpy as np

# 读取图片
img_dir = r'C:\Users\Lei\Desktop\8.jpg'
img = cv2.imread(img_dir)
# 图像预处理
img = imutils.resize(img, height=500)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.GaussianBlur(gray, (5, 5), 0)
binary = cv2.Canny(gray, 30, 120)
# 轮廓检索
contours, hierarchy = cv2.findContours(binary,
                                       cv2.RETR_EXTERNAL,
                                       cv2.CHAIN_APPROX_SIMPLE)

cv2.imshow('origin', img)
if cv2.waitKey(0) & 0xFF == ord('q'):
    cv2.destroyWindow('origin')

cv2.imshow('binary', binary)
if cv2.waitKey(0) & 0xFF == ord('q'):
    cv2.destroyWindow('binary')

# 轮廓过滤以及绘制
draw_img = img.copy()
for i in range(len(contours)):
    # 筛掉面积过小的轮廓
    area = cv2.contourArea(contours[i])
    if area < 800:
        continue
    # 找到包含轮廓的最小矩形框
    rect = cv2.minAreaRect(contours[i])
    # 计算矩形框的四个顶点坐标
    box = cv2.boxPoints(rect)
    box = np.int0(box)
    # 绘制轮廓
    cv2.drawContours(draw_img, [box], 0, (0, 0, 255), 5)


cv2.imshow('origin with contours', draw_img)
if cv2.waitKey(0) & 0xFF == ord('q'):
    cv2.destroyWindow('origin with contours')

代码中首先对读取的RGB图像（图2）转灰度图，然后进行高斯滤波去噪，再使用Canny算子进行边缘检测得到黑白图像（图3）。对黑白图像进行轮廓检索，检索到的轮廓再根据cv2.contourArea()计算得到的面积大小进行一次筛选，去掉因噪声引起的检测。根据检测到的轮廓信息，使用cv2.minAreaRect()得到包含轮廓信息的最小矩形框rect，再使用cv2.boxPoints()计算出rect的四个顶点。最后，使用cv2.drawContours()绘制出rect（图4）。

　　　　　　　　　图2. RGB原图像

　　　　　　　图3. Canny算子得到的黑白图像

　　　　　　图4. 使用矩形框显示轮廓检测结果

创作挑战赛

新人创作奖励来咯，坚持创作打卡瓜分现金大奖