0
0

OpenCV实战（15）——轮廓检测详解

OpenCV实战（15）——轮廓检测详解

0. 前言

在计算机视觉领域，轮廓通常指图像中对象边界的一系列点。因此，轮廓通常描述了对象边界的关键信息，包含了有关对象形状的主要信息，该信息可用于形状分析与对象检测和识别。本节中，我们首先介绍如何提取图像中轮廓，然后讲解如何计算轮廓的形状描述符。

1. 提取区域轮廓

1.1 轮廓提取

图像通常包含目标对象的表示，图像分析的目标之一是识别和提取这些对象。在目标检测/识别应用中，通常需要生成一个二值图像，显示目标物体的位置，提取包含在二值图像中的对象。例如，使用如下二值图像：

二值图像

我们可以通过简单的阈值操作获得此图像，然后应用开/闭形态滤波器。本节将介绍如何提取图像中的目标对象，更具体地说，我们将提取图像中的连接部分，即由二值图像中的一组连接像素组成的形状。

OpenCV

提供了一个简单的函数来提取图像的连接部分的轮廓，即 

cv::findContours

函数。

(1) 要使用 

cv::findContours

函数，我们需要一个点向量存储所有输出轮廓：

std::vector<std::vector<cv::Point>> contours;

(2) 使用 

cv::findContours

函数检测图像的所有轮廓并将它们保存在轮廓向量中：

cv::findContours(image,
        contours,// 轮廓向量
        cv::RETR_EXTERNAL,// 检索外部轮廓
        cv::CHAIN_APPROX_NONE);// 检索每个轮廓的所有像素

cv::findContours

函数的输入是二值图像，输出是一个轮廓向量，每个轮廓由一个 

cv::Point

对象向量表示，因此输出参数定义为 

std::vector

对象。此外，还指定了两个标志，第一个表示只需要外部轮廓，即忽略对象中的孔；第二个标志用于指定轮廓的格式，使用 

CV_CHAIN_APPROX_NONE

选项，向量将列出轮廓中的所有点，使用 

CV_CHAIN_APPROX_SIMPLE

标志，将仅包含水平、垂直或对角线轮廓的端点，也可以使用其他标志获取更复杂的轮廓链近似表示。使用上示图像，可以得到 

10

个连通分量。

(3) 使用 

OpenCV

可以非常方便地在一张图片上绘制出连接部分的轮廓：

cv::Mat result(image.size(), CV_8U, cv::Scalar(255));
cv::drawContours(result, contours,-1,// 绘制所有轮廓
                cv::Scalar(0),// 颜色2);// 线宽为2

如果此函数的第 

3

个参数为负值，则绘制所有轮廓，也可以使用正值指定要绘制的轮廓的索引，如下图所示：

轮廓图像

轮廓是通过系统地扫描图像直到检测出所有的目标部分，从连接部分上的起点开始，沿着它的轮廓，在其边框上标记像素；完成标记后，在最后一个位置继续扫描，直到找到新的连接部分。

(4) 然后可以单独分析识别的连接部分。例如，我们可以通过预估目标对象的预期大小消除一些无效部分，可以使用连接部分周长的最小值和最大值消除无效连接：

// 消除所有过短或过长的轮廓int cmin =50;int cmax =500;
std::vector<std::vector<cv::Point>>::iterator itc = contours.begin();while(itc!=contours.end()){if(itc!=contours.end()){if(itc->size()<cmin || itc->size()>cmax){
            itc = contours.erase(itc);}else{++itc;}}}

由于 

std::vector

中的每个消除操作的时间复杂度都是 

    O
   
   
    (
   
   
    N
   
   
    )
   
  
  
   O(N)
  
 
O(N)，因此该循环可以进一步进行优化。在原图上绘制轮廓，结果如下图所示：

轮廓绘制

1.2 复杂轮廓分析

使用简单的标准就能够帮助我们识别图像中所有感兴趣的对象，在更复杂情况下，我们需要对连接部分的属性进行更精细的分析。
使用 

cv::findContours

函数，还可以通过在函数调用中指定 

CV_RETR_LIST

标志检测二值图中所有闭合轮廓(包括对象中的孔形轮廓)：

cv::findContours(image, contours, cv::RETR_LIST, cv::CHAIN_APPROX_NONE);

使用以上函数调用，可以得到以下轮廓：

轮廓

可以看到上图中增加了额外轮廓。也可以将这些轮廓组织成层次结构，主要部分是父组件，其中的孔是其子组件，如果这些孔内还有组件，它们将成为之前子组件的子组件，依此类推，该层次结构可以通过使用 

CV_RETR_TREE

标志获得：

std::vector<cv::Vec4i> hierarchy;
cv::findContours(image,
                contours,// 轮廓向量
                hierarchy,// 分层表示
                CV_RETR_TREE,// 使用树结构检索所有轮廓 
                CV_CHAIN_APPROX_NONE);// 每一轮廓的所有像素

在这种情况下，每个轮廓在相同的索引处都有一个对应的层次元素，由四个整数组成。前两个整数提供了同一级别的下一个和前一个轮廓的索引，后两个整数提供该轮廓的第一个子项和父项的索引，负索引表示轮廓列表的结尾。

CV_RETR_CCOMP

标志类似，但层次结构仅包括两个级别。

2. 计算区域形状描述符

连接部分通常对应于图片场景的中某个目标对象，为了识别此对象，或将其与其他图像元素进行比较，我们可能需要进行测量以提取所需特征。在本节中，我们介绍 

OpenCV

中可用的形状描述符，用于描述轮廓形状。
有多个 

OpenCV

函数可用作形状描述符，应用这些函数可以提取连接部分。我们使用目标对象相对应的轮廓向量，计算轮廓上( 

contours[0]

到 

contours[3]

)的形状描述符并在轮廓图像(线宽为 

1

)上绘制结果(线宽为 

2

)。

(1)

boundingRect

函数用于计算矩形边框：

// 矩形
cv::Rect r0 = cv::boundingRect(contours[0]);
cv::rectangle(result, r0,0,2);

(2)

minEnclosingCircle

函数用于近似最小包围圆：

// 圆形float radius;
cv::Point2f center;
cv::minEnclosingCircle(contours[1], center, radius);
cv::circle(result, center,static_cast<int>(radius),0,2);

(3) 区域轮廓的多边形近似使用 

approxPolyDP

函数：

// 近似多边形
std::vector<cv::Point> poly;
cv::approxPolyDP(contours[2], poly,5,true);
cv::polylines(result, poly,true,0,2);
std::cout <<"Polygon size: "<< poly.size()<< std::endl;

多边形绘制函数 

cv::polylines

与其他绘图函数类似，第 

3

个参数为布尔类型用于指示轮廓是否闭合，如果为true，则将最后一个点连接到第一个点。

(4) 凸包函数 

convexHull

是多边形近似的另一种形式：

// 凸包
std::vector<cv::Point> hull;
cv::convexHull(contours[3], hull);
cv::polylines(result, hull,true,0,2);

(5) 矩是另一个强大的描述符，可以计算区域内的质心：

// 矩
itc = contours.begin();while(itc!=contours.end()){
    cv::Moments mom = cv::moments(*itc++);
    cv::circle(result,
                cv::Point(mom.m10/mom.m00, mom.m01/mom.m00),2, cv::Scalar(0),2);}

结果图像如下：

形状描述符

边界框大多数情况下是表示和定位图像中目标对象的最紧凑的方式，其定义为完全包含对象形状的最小尺寸的矩形。边界框的高度和宽度可以指示对象的垂直或水平尺寸，例如，可以使用高宽比来区分汽车和行人；当只需要目标的近似尺寸和位置时，通常使用最小包围圆。
当想要与目标对象形状相似的紧凑的表示时，可以采用多边形近似，通过指定精度参数( 

cv::approxPolyDP

函数中的第 

4

个参数)指定目标对象形状与近似多边形之间的最大可接受距离，函数返回的 

cv::Point

的向量对应于多边形的顶点。为了绘制这个多边形，我们需要遍历向量并在它们之间线段将相邻点连接起来。
形状的凸包或凸包络是包含形状的最小凸多边形，可以将其想象为弹性皮筋围在目标对象周围时的形状，凸包轮廓将在对象形状轮廓的凹面位置偏离原始轮廓，这些位置通常称为凸面缺陷，并且可以使用 

OpenCV

函数 

cv::convexityDefects

识别这些缺陷，调用方式如下所示：

std::vector<cv::Vec4i> defects;
cv::convexityDefects(contours[3], hull, defects);

contour

和 

hull

参数分别是原始轮廓和凸包轮廓(均为 

std::vector<cv::Point>

实例)。输出是由四个整数元素组成的向量，前两个整数是轮廓上的点索引，用于界定缺陷；第三个整数对应凹面内最远的点，最后一个整数对应这个最远点到凸包的距离。
矩是形状结构分析中常用的数学工具，

OpenCV

定义了一个封装了形状所有计算矩的数据结构，

cv::moments

函数的返回值就使用这种数据结构，这些矩构成了对物体形状的简洁描述。我们可以使用这个结构中前3个空间矩来获得形状的质心。
也可以使用 

OpenCV

函数计算结构属性，

cv::minAreaRect

函数计算最小的封闭旋转矩形；

cv::contourArea

函数估计轮廓(内部像素数)的面积；

cv::pointPolygonTest

函数用于确定一个点是在轮廓内部还是外部，而 

cv::matchShapes

可以测量两个轮廓之间的相似性。我们可以通过组合所有这些属性进行更高级的图像结构分析。

2.1 四边形检测

我们可以利用形态学操作转换后获得的图像提取图像形状，假设，我们使用形态学操作转换图像获得的 

MSER

结果，然后构建算法检测图像中的四边形分量。假设我们检测以下使用 

MSER

算法得到的二值图像，检测四边形分量能够帮助我们识别建筑物上的窗户等，为了减少图像中的噪音，我们使用了一些形态滤波器对图像进行预处理：

// 创建二值图像
components = components==255;// 图像开操作
cv::morphologyEx(components, components, cv::MORPH_OPEN, cv::Mat(), cv::Point(-1,-1),3);

接下来，获取轮廓：

// 反转图像
cv::Mat componentsInv =255- components;// 获取轮廓和连接部分
cv::findContours(componentsInv, contours, cv::RETR_LIST, cv::CHAIN_APPROX_NONE);

最后，遍历所有轮廓并用多边形近似：

cv::Mat quadri(components.size(), CV_8U,255);
std::vector<std::vector<cv::Point>>::iterator it = contours.begin();while(it!= contours.end()){
    poly.clear();// 使用多边形近似轮廓
    cv::approxPolyDP(*it,poly,5,true);// 检测轮廓是否为四边形if(poly.size()==4){
        cv::polylines(quadri, poly,true,0,2);}++it;}

检测结果如下所示：

四边形描述符

如果想要检测矩形，我们可以测量相邻边之间的角度并消除掉偏差过大(与 

90

度相比)的四边形。

3. 完整代码

完整代码文件 

blobs.cpp

如下所示：

#include<iostream>#include<vector>#include<opencv2/core/core.hpp>#include<opencv2/imgproc/imgproc.hpp>#include<opencv2/highgui/highgui.hpp>intmain(){// 读取二进制图像
    cv::Mat image = cv::imread("binary.png",0);if(!image.data)return0;
    cv::namedWindow("Binary Image");
    cv::imshow("Binary Image", image);// 获取轮廓和连接部分
    std::vector<std::vector<cv::Point>> contours;
    cv::findContours(image,
            contours,// 轮廓向量
            cv::RETR_EXTERNAL,// 检索外部轮廓
            cv::CHAIN_APPROX_NONE);// 检索每个轮廓的所有像素
    std::cout <<"Contours: "<< contours.size()<< std::endl;
    std::vector<std::vector<cv::Point>>::const_iterator itContours = contours.begin();for(; itContours!=contours.end();++itContours){
        std::cout <<"Size: "<< itContours->size()<< std::endl;}// 绘制轮廓
    cv::Mat result(image.size(), CV_8U, cv::Scalar(255));
    cv::drawContours(result, contours,-1,// 绘制所有轮廓
                    cv::Scalar(0),// 颜色2);// 线宽为2
    cv::namedWindow("Contours");
    cv::imshow("Contours", result);// 消除所有过短或过长的轮廓int cmin =50;int cmax =500;
    std::vector<std::vector<cv::Point>>::iterator itc = contours.begin();while(itc!=contours.end()){if(itc!=contours.end()){if(itc->size()<cmin || itc->size()>cmax){
                itc = contours.erase(itc);}else{++itc;}}}// 绘制轮廓
    cv::Mat original = cv::imread("2.png");
    cv::drawContours(original, contours,-1, cv::Scalar(0,0,255),2);
    cv::namedWindow("Contours on Animals");
    cv::imshow("Contours on Animals",original);
    result.setTo(cv::Scalar(255));
    cv::drawContours(result, contours,-1,0,1);
    image = cv::imread("binary.png",0);// 矩形
    cv::Rect r0 = cv::boundingRect(contours[0]);
    cv::rectangle(result, r0,0,2);// 圆形float radius;
    cv::Point2f center;
    cv::minEnclosingCircle(contours[1], center, radius);
    cv::circle(result, center,static_cast<int>(radius),0,2);// 近似多边形
    std::vector<cv::Point> poly;
    cv::approxPolyDP(contours[2], poly,5,true);
    cv::polylines(result, poly,true,0,2);
    std::cout <<"Polygon size: "<< poly.size()<< std::endl;// 凸包
    std::vector<cv::Point> hull;
    cv::convexHull(contours[3], hull);
    cv::polylines(result, hull,true,0,2);// std::vector<cv::Vec4i> defects;// cv::convexityDefects(contours[3], hull, defects);// 矩
    itc = contours.begin();while(itc!=contours.end()){
        cv::Moments mom = cv::moments(*itc++);
        cv::circle(result,
                    cv::Point(mom.m10/mom.m00, mom.m01/mom.m00),2, cv::Scalar(0),2);}
    cv::namedWindow("Some Shape descriptors");
    cv::imshow("Some Shape descriptors", result);
    image = cv::imread("binary.png",0);
    cv::findContours(image, contours, cv::RETR_LIST, cv::CHAIN_APPROX_NONE);
    result.setTo(255);
    cv::drawContours(result, contours,-1,0,2);
    cv::namedWindow("All Contours");
    cv::imshow("All Contours", result);// MSER 图像
    cv::Mat components;
    components = cv::imread("mser.png",0);// 创建二值图像
    components = components==255;// 图像开操作
    cv::morphologyEx(components, components, cv::MORPH_OPEN, cv::Mat(), cv::Point(-1,-1),3);
    cv::namedWindow("MSER image");
    cv::imshow("MSER image", components);
    contours.clear();// 反转图像
    cv::Mat componentsInv =255- components;// 获取轮廓和连接部分
    cv::findContours(componentsInv, contours, cv::RETR_LIST, cv::CHAIN_APPROX_NONE);
    cv::Mat quadri(components.size(), CV_8U,255);
    std::vector<std::vector<cv::Point>>::iterator it = contours.begin();while(it!= contours.end()){
        poly.clear();// 使用多边形近似轮廓
        cv::approxPolyDP(*it,poly,5,true);// 检测轮廓是否为四边形if(poly.size()==4){
            cv::polylines(quadri, poly,true,0,2);}++it;}
    cv::namedWindow("MSER quadrilateral");
    cv::imshow("MSER quadrilateral", quadri);
    cv::waitKey();return0;}

小结

在本文中，首先介绍了轮廓的相关概念，然后了解利用 

cv::findContours()

检测轮廓、

cv::drawContours()

绘制轮廓，在获取轮廓后，我们可以计算轮廓的形状描述符。

系列链接

OpenCV实战（1）——OpenCV与图像处理基础
OpenCV实战（2）——OpenCV核心数据结构
OpenCV实战（3）——图像感兴趣区域
OpenCV实战（4）——像素操作
OpenCV实战（5）——图像运算详解
OpenCV实战（6）——OpenCV策略设计模式
OpenCV实战（7）——OpenCV色彩空间转换
OpenCV实战（8）——直方图详解
OpenCV实战（9）——基于反向投影直方图检测图像内容
OpenCV实战（10）——积分图像详解
OpenCV实战（11）——形态学变换详解
OpenCV实战（12）——图像滤波详解
OpenCV实战（13）——高通滤波器及其应用
OpenCV实战（14）——图像线条提取

标签： opencv 计算机视觉 人工智能
本文转载自: https://blog.csdn.net/LOVEmy134611/article/details/128833287
版权归原作者 盼小辉丶 所有， 如有侵权，请联系我们删除。
登录后发布评论

“OpenCV实战（15）——轮廓检测详解”的评论:

还没有评论
关于作者
...
overfit同步小助手
文章同步
相关阅读

安全见闻八：量子计算

【Linux】开发工具make/Makefile、进度条小程序

Linux下学【MySQL】表的必备操作（ 配实操图和SQL语句）

软件测试学习笔记丨Selenium学习笔记：常用页面信息对比方法expected_conditions

将 GitHub 关联到 Git 的详细教程

大数据新视界 -- 大数据大厂之 Impala 性能优化：融合人工智能预测的资源预分配秘籍（上）（29 / 30）

NAT的基本介绍

文章导航