什么是图形轮廓

图像轮廓是具有相同颜色或灰度的连续点的曲线，轮廓在形状分析和物体检测与识别中很有用处

轮廓的作用：

用于图形分析
物体的识别与检测

查找轮廓

注意：

为了保证检测的准确性，需要先对图像进行二值化或Canny边缘检测操作
画轮廓时会修改输入的图像，如果之后想继续使用原始图像，应该将原始图像存储一份到其他变量中（备份）—— img_copy = img.copy()

关键API：cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]])

利用该函数可以获取轮廓的信息

其中：

mode：查找轮廓的模式 （写模式名或数字都可以）
- cv2.RETR_EXTERNAL / 0：表示只检测外围轮廓
- cv2.RETR_LIST / 1：检测的轮廓不建立等级关系（属于同一轮廓线上即为同一级，），即检测所有的轮廓，从右到左，从里到外画轮廓（一般不会出现这么复杂的索引）
- cv2.RETR_CCOMP / 2：每层最多两级，从小到大，最里到外
- cv2.RETR_TREE / 3：按照树型存储轮廓，从大到小，从右到左 ——> 先从外到内把右边的算完，再算左边的，！最常用！
method：轮廓近似方法，也叫ApproximationMode。总的来说就是如何去保存你的轮廓
- cv2.CHAIN_APPROX_NONE：保存所有轮廓上的点，会把轮廓上所有像素点的坐标都保存下来，存储信息较大
- cv2.CHAIN_APPROX_SIMPLE：只保存角点，比如四边形，只保存四边形的四个角，存储信息较少，比较常用
返回值-> contours, hierarchy：需要用变量去接受
- contours：轮廓的集合，可以通过contours[i]（i = 0,1,2...）来调用某一个轮廓
- hierarchy：层级

# 查找轮廓

import cv2
import numpy as np

# 导入图片 该图片显示是黑白的，实际上是三通道的图像
img = cv2.imread('./contours.jpeg')

# 二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 对比一下原图与灰度图
cv2.imshow('img',img)
cv2.imshow('gray',gray)


# 进行二值化操作（注意！threshold有两个返回值！一个是阈值，一个是二值化处理后的图片）
thresh,temp = cv2.threshold(gray,127,255,cv2.THRESH_BINARY) # 最终二值化的效果会受到阈值（第二个参数thresh）的影响

# 查找轮廓 返回两个结果：轮廓和层级关系
contours,hierarchy = cv2.findContours(temp,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) # （操作目标，操作类型，操作方法）
# 注意 ： contours的类型是列表list，不是ndarray；列表里面才是ndarray，一个ndarray就是一个轮廓

print(type(contours))
print(contours)

# 展示
# cv2.imshow('dst',dst)
# cv2.imshow('img and dst ',np.hstack((gray,dst)))

cv2.waitKey(0)
cv2.destroyAllWindows()

绘制轮廓

关键API：drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]])
其中：

image：操作的图像，由于我们可以设置轮廓的颜色color，所以就不太适合用二值化或灰度化后的图片进行操作，应该用三通道的彩图进行绘画（原图）
contours：轮廓点，由查找轮廓的函数cv2.findContours()的返回值可得
contourIdx：要绘制的轮廓编号，-1表示绘制所有轮廓，此处是索引！因此不能写成contours[]的形式
color：轮廓的颜色，如(0,0,255)表示红色
thickness：线宽，-1表示全部填充

# 绘制轮廓

import cv2
import numpy as np

# 导入图片 该图片显示是黑白的，实际上是三通道的图像
img = cv2.imread('./contours.jpeg')

# 二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

cv2.imshow('img',img)
cv2.imshow('gray',gray)


# 进行二值化操作（注意！threshold有两个返回值！一个是阈值，一个是二值化处理后的图片）
thresh,temp = cv2.threshold(gray,127,255,cv2.THRESH_BINARY) # 最终二值化的效果会受到阈值（第二个参数thresh）的影响

# 查找轮廓 返回两个结果：轮廓和层级关系
contours,hierarchy = cv2.findContours(temp,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) # （操作目标，操作类型，操作方法）
# 注意 ： contours的类型是列表list，不是ndarray；列表里面才是ndarray，一个ndarray就是一个轮廓

# 绘制轮廓：会直接修改原图
# 如果想保持原图不变，可以copy一份
img_copy = img.copy()
cv2.drawContours(img_copy,contours,-1,(0,0,255),2) # 会直接对操作的图像进行修改，因此可以不用接受

# 展示
cv2.imshow('img',img)
cv2.imshow('img_copy',img_copy)

cv2.waitKey(0)
cv2.destroyAllWindows()

结果：
在这里插入图片描述

如果我们想只画一个轮廓，那么可以根据目标轮廓的层级来绘制（我们使用的是cv2.RETR_TREE：从左到右、从外到内）

例如把参数中的-1改成0

cv2.drawContours(img_copy,contours,0,(0,0,255),2) # 会直接对操作的图像进行修改，因此可以不用接受

结果：
在这里插入图片描述

计算轮廓的面积和周长

轮廓面积

轮廓面积是指每个轮廓中所有的像素点围成区域的面积，单位为像素

轮廓面积是轮廓重要的统计特性之一，通过轮廓面积的大小可以进一步分析每个轮廓隐含的信息，例如通过轮廓面积区分物体大小、识别不同的物体

在查找到轮廓后，可能会有很多细小的轮廓，我们可以通过轮廓的面积进行过滤（比如小于某一个阈值，就把这个轮廓过滤掉）

关键API：cv2.contourArea(contour[, oriented])

参数是countour（不加s，加了s(countours)后表示轮廓的集合）

轮廓周长

关键API：cv2.arcLength(curve, closed)

curve：轮廓
closed：是否是闭合的轮廓，为布尔类型，一般设置为closed = True

# 计算轮廓的面积和周长

import cv2
import numpy as np

# 导入图片 该图片显示是黑白的，实际上是三通道的图像
img = cv2.imread('./contours.jpeg')

# 二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

cv2.imshow('img',img)
cv2.imshow('gray',gray)


# 进行二值化操作（注意！threshold有两个返回值！一个是阈值，一个是二值化处理后的图片）
thresh,temp = cv2.threshold(gray,127,255,cv2.THRESH_BINARY) # 最终二值化的效果会受到阈值（第二个参数thresh）的影响

# 查找轮廓 返回两个结果：轮廓和层级关系
contours,hierarchy = cv2.findContours(temp,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) # （操作目标，操作类型，操作方法）
# 注意 ： contours的类型是列表list，不是ndarray；列表里面才是ndarray，一个ndarray就是一个轮廓

# 绘制轮廓：会直接修改原图
# 如果想保持原图不变，可以copy一份
img_copy = img.copy()
# cv2.drawContours(img_copy,contours,-1,(0,0,255),2) # 会直接对操作的图像进行修改，因此可以不用接受
cv2.drawContours(img_copy,contours,0,(0,0,255),2) # 会直接对操作的图像进行修改，因此可以不用接受


# 计算轮廓面积
area = cv2.contourArea(contours[1])
print('area:',area) # 单位是像素

# 计算轮廓周长
length = cv2.arcLength(contours[1],closed = True)
print('length:',length) 

# 展示
# cv2.imshow('img',img)
# cv2.imshow('img_copy',img_copy)

cv2.waitKey(0)
cv2.destroyAllWindows()

结果：

area: 115239.5
length: 1355.0710676908493

多边形逼近

cv2.findContours()后的轮廓信息contours可能过于复杂不平滑，可以用cv2.approxPolyDP()函数来对该多边形曲线做适当近似，这就是轮廓的多边形逼近

cv2.approxPolyDP()就是以多边形去逼近轮廓，采用的是Douglas_Peucker算法（方法名中的DP）

DP算法的原理比较简单，核心就是不断找多边形最远的点加入形成新的多边形，直到最短距离小于指定的精度

关键API：cv2.approxPolyDP(curve, epsilon, closed[, approxCurve])
其中：

curve：要近似逼近的轮廓
epsilon：DP算法的阈值，阈值越小，近似轮廓越贴合真是轮廓，蕴含的像素点也就越多，占用内存越大
closed：轮廓是否闭合

# 多边形逼近

import cv2
import numpy as np

# 导入图片 该图片显示是黑白的，实际上是三通道的图像
img = cv2.imread('./hand.png')

# 二值化操作是对灰度图操作的 ——> 因此我们首先要把图像变成灰度图！
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# 进行二值化操作（注意！threshold有两个返回值！一个是阈值，一个是二值化处理后的图片）
thresh,temp = cv2.threshold(gray,127,255,cv2.THRESH_BINARY) # 最终二值化的效果会受到阈值（第二个参数thresh）的影响

# 查找轮廓 返回两个结果：轮廓和层级关系
contours,hierarchy = cv2.findContours(temp,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) # （操作目标，操作类型，操作方法）
# 注意 ： contours的类型是列表list，不是ndarray；列表里面才是ndarray，一个ndarray就是一个轮廓

# 绘制轮廓：会直接修改原图
# 如果想保持原图不变，可以copy一份
img_copy = img.copy()
# cv2.drawContours(img_copy,contours,-1,(0,0,255),2) # 会直接对操作的图像进行修改，因此可以不用接受
cv2.drawContours(img_copy,contours,0,(0,0,255),2) # 会直接对操作的图像进行修改，因此可以不用接受

#----------------------------------------------------------------------------------------------------------------------------
# 使用多边形逼近 近似模拟手的轮廓
approx = cv2.approxPolyDP(contours[0],20,closed = True) # 我们只有一个轮廓，因此写contours[0]
# approx本质上是一个轮廓数据，类型是ndarray

# 画出近似逼近的轮廓 ——> 要强制类型转化为列表list
cv2.drawContours(img_copy,[approx],0,(0,255,0),2) # 会直接对操作的图像进行修改，因此可以不用接受

#----------------------------------------------------------------------------------------------------------------------------

# 展示
cv2.imshow('img',img)
cv2.imshow('img_copy',img_copy)

cv2.waitKey(0)
cv2.destroyAllWindows()