前文傳送門：
「Python 影像處理 OpenCV （2）：畫素處理與 Numpy 操作以及 Matplotlib 顯示影像」
「Python 影像處理 OpenCV （3）：影像屬性、影像感興趣 ROI 區域及通道處理」
「Python 影像處理 OpenCV （4）：影像算數運算以及修改顏色空間」
「Python 影像處理 OpenCV （5）：影像的幾何變換」
「Python 影像處理 OpenCV （6）：影像的閾值處理」
「Python 影像處理 OpenCV （7）：影像平滑（濾波）處理」
「Python 影像處理 OpenCV （8）：影像腐蝕與影像膨脹」
「Python 影像處理 OpenCV （9）：影像處理形態學開運算、閉運算以及梯度運算」
「Python 影像處理 OpenCV （10）：影像處理形態學之頂帽運算與黑帽運算」
「Python 影像處理 OpenCV （11）：Canny 運算元邊緣檢測技術」
「Python 影像處理 OpenCV （12）： Roberts 運算元、 Prewitt 運算元、 Sobel 運算元和 Laplacian 運算元邊緣檢測技術」
「Python 影像處理 OpenCV （13）： Scharr 運算元和 LOG 運算元邊緣檢測技術」
「Python 影像處理 OpenCV （14）：影像金字塔」
引言
其實蠻不好意思的，剛才翻了翻自己的部落格，上次寫 OpenCV 的文章已經接近半個月以前了，我用 3 秒鐘的時間回想了下最近兩星期時間都花在哪了。
每次思考這種問題總會下意識甩鍋給工作，最近工作忙的一批，emmmmmmmmmmmm。。。。。。。。。
這麼騙自己是不對的！
實際上是美劇真香，最近把「反擊」從第一季到第六季看了一遍，還不錯，喜歡看動作類的同學可以嘗試下。
本篇文章是關於影像處理輪廓方面的，下面開始正文，希望能幫到各位。
Q：什麼是輪廓？
A：輪廓是一系列相連的點組成的曲線，代表了物體的基本外形，相對於邊緣，輪廓是連續的，邊緣並不全部連續。
尋找輪廓
尋找輪廓 OpenCV 為我們提供了一個現成的函式 findContours() 。
在 OpenCV 中，輪廓提取函式 findContours() 實現的是 1985 年由一名叫做 Satoshi Suzuki 的人發表的一篇論文中的演算法，如下：
Satoshi Suzuki and others. Topological structural analysis of digitized binary images by border following. Computer Vision, Graphics, and Image Processing, 30(1):32–46, 1985.
對原理感興趣的同學可以去搜搜看，不是很難理解。
先看一個示例程式碼：
import cv2 as cv
img = cv.imread("black.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
print(len(contours[0]))
這段程式碼先用 threshold() 對影像進行降噪處理，它的原型函式如下：
retval, dst = cv.threshold(src, thresh, maxval, type[, dst] )
- dst：結果影像。
- src：原影像。
- thresh：當前閾值。
- maxVal：最大閾值，一般為255。
- type：閾值型別，可選值如下：
enum ThresholdTypes {
THRESH_BINARY = 0, # 大於閾值的部分被置為 255 ，小於部分被置為 0
THRESH_BINARY_INV = 1, # 大於閾值部分被置為 0 ，小於部分被置為 255
THRESH_TRUNC = 2, # 大於閾值部分被置為 threshold ，小於部分保持原樣
THRESH_TOZERO = 3, # 小於閾值部分被置為 0 ，大於部分保持不變
THRESH_TOZERO_INV = 4, # 大於閾值部分被置為 0 ，小於部分保持不變
THRESH_OTSU = 8, # 自動處理，影像自適應二值化，常用區間 [0,255]
};
查詢輪廓使用的函式為 findContours() ，它的原型函式如下：
cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])
- image：源影像。
- mode：表示輪廓檢索模式。
cv2.RETR_EXTERNAL 表示只檢測外輪廓。
cv2.RETR_LIST 檢測的輪廓不建立等級關係。
cv2.RETR_CCOMP 建立兩個等級的輪廓，上面的一層為外邊界，裡面的一層為內孔的邊界資訊。如果內孔內還有一個連通物體，這個物體的邊界也在頂層。
cv2.RETR_TREE 建立一個等級樹結構的輪廓。
- method：表示輪廓近似方法。
cv2.CHAIN_APPROX_NONE 儲存所有的輪廓點。
cv2.CHAIN_APPROX_SIMPLE 壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點座標，例如一個矩形輪廓只需4個點來儲存輪廓資訊。
這裡可以使用 print(len(contours[0])) 函式將包含的點的數量列印出來，比如在上面的示例中，使用引數 cv2.CHAIN_APPROX_NONE 輪廓點有 1382 個，而使用引數 cv2.CHAIN_APPROX_SIMPLE 則輪廓點只有 4 個。
繪製輪廓
繪製輪廓使用到的 OpenCV 為我們提供的 drawContours() 這個函式，下面是它的三個簡單的例子：
# To draw all the contours in an image:
cv2.drawContours(img, contours, -1, (0,255,0), 3)
# To draw an individual contour, say 4th contour:
cv2.drawContours(img, contours, 3, (0,255,0), 3)
# But most of the time, below method will be useful:
cnt = contours[4]
cv2.drawContours(img, [cnt], 0, (0,255,0), 3)
drawContours() 函式中有五個引數：
- 第一個引數是源影像。
- 第二個引數是應該包含輪廓的列表。
- 第三個引數是列表索引，用來選擇要繪製的輪廓，為-1時表示繪製所有輪廓。
- 第四個引數是輪廓顏色。
- 第五個引數是輪廓線的寬度，為 -1 時表示填充。
我們接著前面的示例把使用 findContours() 找出來的輪廓繪製出來：
import cv2 as cv
img = cv.imread("black.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
cv.imshow("img", img)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
print(len(contours[0]))
# 繪製綠色輪廓
cv.drawContours(img, contours, -1, (0,255,0), 3)
cv.imshow("draw", img)
cv.waitKey(0)
cv.destroyAllWindows()
特徵矩
特徵矩可以幫助我們計算一些影像的特徵，例如物體的質心，物體的面積等，使用的函式為 moments() 。
moments() 函式會將計算得到的矩以字典形式返回。
import cv2 as cv
img = cv.imread("number.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
# 獲取影像矩
M = cv.moments(cnt)
print(M)
# 質心
cx = int(M['m10'] / M['m00'])
cy = int(M['m01'] / M['m00'])
print(f'質心為：[{cx}, {cy}]')
這時，我們取得了這個影像的矩，矩 M 中包含了很多輪廓的特徵資訊，除了示例中展示的質心的計算，還有如 M['m00'] 表示輪廓面積。
輪廓面積
area = cv.contourArea(cnt)
print(f'輪廓面積為:{area}')
這裡取到的輪廓面積和上面 M['m00'] 保持一致。
輪廓周長
perimeter = cv.arcLength(cnt, True)
print(f'輪廓周長為:{perimeter}')
引數 True 表示輪廓是否封閉，我們這裡的輪廓是封閉的，所以這裡寫 True 。
輪廓外接矩形
輪廓外接矩形分為正矩形和最小矩形。使用 cv2.boundingRect(cnt) 來獲取輪廓的外接正矩形，它不考慮物體的旋轉，所以該矩形的面積一般不會最小；使用 cv.minAreaRect(cnt) 可以獲取輪廓的外接最小矩形。
兩者的區別如上圖，綠線代表的是外接正矩形，紅線代表的是外接最小矩形，程式碼如下：
import cv2 as cv
import numpy as np
img = cv.imread("number.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
# 外接正矩形
x, y, w, h = cv.boundingRect(cnt)
cv.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
# 外接最小矩形
min_rect = cv.minAreaRect(cnt)
print(min_rect)
box = cv.boxPoints(min_rect)
box = np.int0(box)
cv.drawContours(img, [box], 0, (0, 0, 255), 2)
cv.imshow("draw", img)
cv.waitKey(0)
cv.destroyAllWindows()
boundingRect() 函式的返回值包含四個值，矩形框左上角的座標 (x, y) 、寬度 w 和高度 h 。
minAreaRect() 函式的返回值中還包含旋轉資訊，返回值資訊為包括中心點座標 (x,y) ，寬高 (w, h) 和旋轉角度。
輪廓近似
根據我們指定的精度，它可以將輪廓形狀近似為頂點數量較少的其他形狀。它是由 Douglas-Peucker 演算法實現的。
OpenCV 提供的函式是 approxPolyDP(cnt, epsilon, True) ，第二個引數 epsilon 用於輪廓近似的精度，表示原始輪廓與其近似輪廓的最大距離，值越小，近似輪廓越擬合原輪廓。第三個引數指定近似輪廓是否是閉合的。具體用法如下：
import cv2 as cv
img = cv.imread("number.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
# 計算 epsilon ，按照周長百分比進行計算，分別取周長 1% 和 10%
epsilon_1 = 0.1 * cv.arcLength(cnt, True)
epsilon_2 = 0.01 * cv.arcLength(cnt, True)
# 進行多邊形逼近
approx_1 = cv.approxPolyDP(cnt, epsilon_1, True)
approx_2 = cv.approxPolyDP(cnt, epsilon_2, True)
# 畫出多邊形
image_1 = cv.cvtColor(gray_img, cv.COLOR_GRAY2BGR)
image_2 = cv.cvtColor(gray_img, cv.COLOR_GRAY2BGR)
cv.polylines(image_1, [approx_1], True, (0, 0, 255), 2)
cv.polylines(image_2, [approx_2], True, (0, 0, 255), 2)
cv.imshow("image_1", image_1)
cv.imshow("image_2", image_2)
cv.waitKey(0)
cv.destroyAllWindows()
第一張圖是 epsilon 為原始輪廓周長的 10% 時的近似輪廓，第二張圖中綠線就是 epsilon 為原始輪廓周長的 1% 時的近似輪廓。
輪廓凸包
凸包外觀看起來與輪廓逼近相似，只不過它是物體最外層的「凸」多邊形。
如下圖，紅色的部分為手掌的凸包，雙箭頭部分表示凸缺陷(Convexity Defects)，凸缺陷常用來進行手勢識別等。
import cv2 as cv
img = cv.imread("number.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
# 繪製輪廓
image = cv.cvtColor(gray_img, cv.COLOR_GRAY2BGR)
cv.drawContours(image, contours, -1, (0, 0 , 255), 2)
# 尋找凸包，得到凸包的角點
hull = cv.convexHull(cnt)
# 繪製凸包
cv.polylines(image, [hull], True, (0, 255, 0), 2)
cv.imshow("image", image)
cv.waitKey(0)
cv.destroyAllWindows()
還有一個函式，是可以用來判斷圖形是否凸形的：
print(cv.isContourConvex(hull)) # True
它的返回值是 True 或者 False 。
最小閉合圈
接下來，使用函式 cv.minEnclosingCircle() 查詢物件的圓周。它是一個以最小面積完全覆蓋物體的圓。
import cv2 as cv
img = cv.imread("number.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 降噪
ret, thresh = cv.threshold(gray_img, 127, 255, 0)
# 尋找輪廓
contours, hierarchy = cv.findContours(gray_img, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
cnt = contours[0]
# 繪製最小外接圓
(x, y), radius = cv.minEnclosingCircle(cnt)
center = (int(x), int(y))
radius = int(radius)
cv.circle(img, center, radius, (0, 255, 0), 2)
cv.imshow("img", img)
cv.waitKey(0)
cv.destroyAllWindows()
下一個是把一個橢圓擬合到一個物體上。它返回內接橢圓的旋轉矩形。
ellipse = cv.fitEllipse(cnt)
cv.ellipse(img, ellipse, (0, 255, 0), 2)
