简介：

        这一篇文章我们来讨论图像轮廓相关的知识点，什么叫做轮廓，从定义上来说它是指图像中连续的曲线或边界，表示了图像中目标的形状和外观特征。我们之前已经介绍了一些图像边缘检测相关的内容，我们有一些零零散散的一些线段也可以当做是一个边缘，但是这些不能看做是图像轮廓，因为轮廓首先得是一个整体，是连在一块的，这就是轮廓和边缘之间的区别。我们只要记住：

        边缘：零零散散的

        轮廓：它是一个整体

一、​轮廓检测

        接下来我们首先要看的就是轮廓检测，我们调用OpenCV的 cv2.findContours() 函数来查找图像中的轮廓。这个函数需要输入一个二值化的图像（通常是经过边缘检测后的结果），并返回一组轮廓。可以选择不同的检索模式和轮廓逼近方法来控制轮廓的提取方式。语法如下：

cv2.findContours(image,mode,method)

        下面我们来看一下具体的代码部分：

        将原始图片转换为二值图像

        这里为了方便演示，使用了一个非常规则的图片，包含几种基础的集合图形

import cv2
def cv_show(img,name):
    cv2.imshow(name,img)

    
# 第一步：转换为二值图
img = cv2.imread('my_contour.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
cv_show(thresh,'contours')

轮廓检测：

        调用cv2.findContours()函数

binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

• binary：返回的就是二值图像
• contours：返回的是我们的轮廓信息
• hierarchy：返回的是层级结构

绘制轮廓：

        使用 cv2.drawContours() 函数可以将提取到的轮廓绘制在图像上，这样就可以可视化检测到的目标的形状和位置。主要包含下列几个参数

•  draw_img：要在其上绘制轮廓的图像。
•  contours：要绘制的轮廓列表。
•  contourIdx：指定要绘制的轮廓的索引。使用 -1 表示绘制所有的轮廓。
• color：绘制轮廓的颜色，格式为 (B, G, R)，其中 B、G 和 R 分别表示蓝色、绿色和红色的强度。例如 (255, 0, 0) 表示纯蓝色。
• thickness：轮廓线的粗细，默认值为 1。

# 传入绘制图像，轮廓，轮廓索引，颜色模式，线条厚度

draw_img = img.copy() #创建一个图像副本保存
res = cv2.drawContours(draw_img, contours, -1, (0, 0, 255), 2) #绘制所有轮廓
cv_show(res,'res')

        上述我们绘制了所有的轮廓，有的时候我们只想得到其中的某一个轮廓，我们可以指定相应的轮廓索引，例如

draw_img = img.copy()
res = cv2.drawContours(draw_img, contours, 0, (255, 0, 0), 2)#绘制索引为0的轮廓
cv_show(res,'res')

二、轮廓特征

        在我们得到轮廓之后，如何利用这些信息呢，像其他图像特征一样，图像轮廓提供了许多与目标形状相关的特征信息，可以用于形状分析、目标检测和图像识别等任务。以下是一些常见的轮廓特征以及计算：

1、面积（Area）：轮廓所包围的区域的面积。

• 可以使用 cv2.contourArea(contour) 函数计算轮廓的面积。

2、周长（Perimeter）：轮廓的周长，即轮廓的闭合曲线的长度。

• 可以使用 cv2.arcLength(contour, closed) 函数计算轮廓的周长，其中 closed 参数指定轮廓是否为闭合曲线。

3、边界框（Bounding Box）：将轮廓包围在一个矩形框中。

• 可以使用 cv2.boundingRect(contour) 函数获取包围轮廓的最小矩形框的位置和大小。

4、最小外接圆（Minimum Enclosing Circle）：包围轮廓的最小半径的圆。

• 可以使用 cv2.minEnclosingCircle(contour) 函数获取包围轮廓的最小外接圆的圆心和半径

5、最小外接矩形（Minimum Enclosing Rectangle）：包围轮廓的最小面积的矩形。

• 可以使用 cv2.minAreaRect(contour) 函数获取包围轮廓的最小外接矩形的位置、大小和旋转角度。

6、凸包（Convex Hull）：能够完全包围轮廓的凸多边形。

• 可以使用 cv2.convexHull(points) 函数获取轮廓的凸包。

7、近似多边形（Approximation Polygon）：用直线段逼近轮廓的多边形。

• 可以使用 cv2.approxPolyDP(curve, epsilon, closed) 函数对轮廓进行近似，其中 epsilon 是逼近精度参数。

8、形心（Centroid）：轮廓所包围区域的重心或平均位置。

• 可以使用 cv2.moments(contour) 函数计算轮廓的矩，然后通过计算质心来获取重心。

        这里我们以前两个为例演示如何使用，其他的特征计算都是直接调用相应的函数即可。
在上面我们已经得到了轮廓的信息contours，但是我们不能直接将其进行特征计算，因为它包含了所有的轮廓信息，因此我们要指定相应的索引再进行特征计算。

cnt = contours[0] #指定索引为0的轮廓
#面积
print(cv2.contourArea(cnt))

#周长，True表示闭合的
print(cv2.arcLength(cnt,True))

24578.0
586.4995617866516

三、轮廓近似

        轮廓近似是指用直线段或曲线段逼近实际轮廓的过程，从而减少轮廓中的点数并简化轮廓的表示。这可以帮助我们更有效地处理和分析轮廓。

        在 OpenCV 中，可以使用 cv2.approxPolyDP(curve, epsilon, closed) 函数来进行轮廓的近似。参数说明如下：

下面我们来看一个具体例子

img = cv2.imread('contours2.png')

# 获取轮廓特征
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
# 原始轮廓
draw_img = img.copy()
original = cv2.drawContours(draw_img, [cnt], -1, (0, 0, 255), 2)

# 近似轮廓
epsilon = 0.1*cv2.arcLength(cnt,True) 
approx = cv2.approxPolyDP(cnt,epsilon,True)
draw_img = img.copy()
approx = cv2.drawContours(draw_img, [approx], -1, (0, 255, 0), 2)

res = np.hstack((original,approx))
cv_show(res,'res')

        左边是原始轮廓，右边是近似轮廓，可以看出对于轮廓变化较大的区域，近似效果有一定偏差，如果我们将epsilon设置的更小一点，如下所示        

        此时近似效果非常接近。

四、外接矩形

        很多时候，我们不是直接利用图像的轮廓进行操作，因为这些图像往往不规则，我们需要对其外接矩形或外接圆来进行分析，在opencv中，我们可以利用cv2.boundingRect()函数得到轮廓的外接矩形信息。

img = cv2.imread('contours.png')

gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
binary, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
cnt = contours[0]

x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)
cv_show(img,'img')

总结

        我们介绍了如何进行图形轮廓的检测、特征计算、轮廓近似处理。总的来说，图像轮廓具有以下特点：

• 轮廓是由连续的曲线或边界组成的，能够准确地描述目标的形状。
• 轮廓可以用于目标的识别、分类和形状分析。
• 轮廓可以通过计算形状的特征（如面积、周长、重心等）来获取更多的信息。
• 可以使用图像轮廓进行图像分割、边缘检测和图像增强等任务。