OpenCV入门11:轮廓提取和形状识别

轮廓分析主要用于轮廓提取和形状识别等任务。在OpenCV中，轮廓提取和形状识别是图像处理和计算机视觉中常见的任务。下面是关于这两个知识点的一些基本内容：

•  轮廓提取：

轮廓提取是指从图像中提取出物体轮廓的过程。在OpenCV中，可以使用cv::findContours()函数来实现轮廓提取。以下是一个简单的示例：

cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE); // 读取灰度图像 
cv::Mat binaryImage;  
cv::threshold(image, binaryImage, 128, 255, cv::THRESH_BINARY); // 二值化分割，大于阈值为255，小于阈值为0 
std::vector<std::vector<cv::Point>> contours; 
std::vector<cv::Vec4i> hierarchy;
// 遍历轮廓并绘制  
cv::findContours(binaryImage, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE); 
cv::Mat contoursImage = cv::Mat::zeros(image.size(), CV_8UC3); 
for (size_t i = 0; i < contours.size(); ++i) 
{ cv::drawContours(contoursImage, contours, i, cv::Scalar(0, 0, 255), 2, cv::LINE_8, hierarchy, 0); 
} 
cv::imshow("Contours Image", contoursImage); 
cv::waitKey(0);

在示例中，首先通过阈值分割将图像二值化，然后使用cv::findContours()函数找到图像中的轮廓，最后通过cv::drawContours()函数绘制轮廓。

• 轮廓面积与周长：

可以使用cv::contourArea()函数计算轮廓的面积，并使用cv::arcLength()函数计算轮廓的周长。这些特征可以用于识别不同形状的轮廓。例如，可以通过设定面积和周长的阈值来筛选特定大小的轮廓。

• 轮廓凸包：

凸包是将轮廓包围在一个最小凸多边形内的过程。OpenCV提供了cv::convexHull()函数用于计算轮廓的凸包。通过比较凸包的顶点数量和轮廓的顶点数量，可以判断轮廓是否是凸形状。

• 轮廓形心：

形心是轮廓表示的几何中心，可以使用cv::moments()函数计算轮廓的形心。形心坐标可以用于进一步的形状识别。

• 轮廓外接圆：

可以使用cv::minEnclosingCircle()函数计算轮廓的外接圆。通过比较外接圆的半径和轮廓的尺寸，可以判断轮廓是否是圆形状。

• 轮廓外接矩形：

使用cv::boundingRect()函数可以计算轮廓的外接矩形，其由矩形的左上角坐标和宽度、高度组成。外接矩形的宽高比可以用于识别特定宽高比的轮廓。

• 轮廓最小面积矩形：

可以使用cv::minAreaRect()函数计算轮廓的最小面积矩形，该矩形是能够包围轮廓的最小面积矩形框。可以通过比较矩形的宽高比、角度等特征来识别轮廓的形状。

• 形状识别：

以上这些算法和特征可以进行轮廓形状识别的补充。通过结合多个特征和算法，可以更准确地识别不同形状的轮廓。

对于圆形识别和直线识别，OpenCV提供了相应的函数和算法。以下是一些常用的方法：

• 圆形识别：

使用霍夫圆变换（Hough Circle Transform）cv::HoughCircles()函数来检测图像中的圆。该函数可以帮助你找到图像中的圆形轮廓，并返回识别到的圆形的圆心和半径。

cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE); // 读取灰度图像 
cv::Mat blurredImage; 
cv::GaussianBlur(image, blurredImage, cv::Size(5, 5), 0); // 高斯模糊 
std::vector<cv::Vec3f> circles; 
cv::HoughCircles(blurredImage, circles, cv::HOUGH_GRADIENT, 1, 100, 50, 30, 0, 0); 
// 霍夫圆变换 
// 绘制识别到的圆形 
cv::Mat circlesImage = cv::Mat::zeros(image.size(), CV_8UC3); 
for (size_t i = 0; i < circles.size(); ++i) 
{ cv::Point center(cvRound(circles[i][0]), cvRound(circles[i][1])); int radius = cvRound(circles[i][2]); cv::circle(circlesImage, center, radius, cv::Scalar(0, 0, 255), 2, cv::LINE_8); 
} 
cv::imshow("Circles Image", circlesImage); 
cv::waitKey(0);

• 直线识别：

使用霍夫直线变换（Hough Line Transform）cv::HoughLines()函数来检测图像中的直线。该函数可以检测图像中的直线轮廓，并返回检测到的直线的参数。

cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE); // 读取灰度图像
cv::Mat blurredImage; cv::GaussianBlur(image, blurredImage, cv::Size(5, 5), 0); // 高斯模糊 
cv::Canny(blurredImage, blurredImage, 50, 150); // 边缘检测 
std::vector<cv::Vec2f> lines; 
cv::HoughLines(blurredImage, lines, 1, CV_PI / 180, 100); // 霍夫直线变换 
// 绘制识别到的直线 
cv::Mat linesImage = cv::Mat::zeros(image.size(), CV_8UC3); 
for (size_t i = 0; i < lines.size(); ++i) 
{ float rho = lines[i][0]; float theta = lines[i][1]; double a = cos(theta); double b = sin(theta); double x0 = a * rho; double y0 = b * rho; cv::Point pt1(cvRound(x0 + 1000 * (-b)), cvRound(y0 + 1000 * (a))); cv::Point pt2(cvRound(x0 - 1000 * (-b)), cvRound(y0 - 1000 * (a))); cv::line(linesImage, pt1, pt2, cv::Scalar(0, 0, 255), 2, cv::LINE_8); 
} 
cv::imshow("Lines Image", linesImage); 
cv::waitKey(0);

这些示例展示了如何使用OpenCV进行圆形和直线的识别。对于圆形识别，使用霍夫圆变换来检测图像中的圆；对于直线识别，使用霍夫直线变换来检测图像中的直线。

除了圆形和直线识别，OpenCV还提供了其他形状识别的方法。以下是一些常见的形状识别方法：

• 多边形识别：

通过多边形逼近方法，可以识别各种多边形形状，如三角形、四边形等。OpenCV提供了cv::approxPolyDP()用于多边形逼近、cv::minAreaRect()用于最小外接矩形等。以下是一个示例，演示如何识别并绘制矩形轮廓：

cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE); // 读取灰度图像 
cv::Mat binaryImage; 
cv::threshold(image, binaryImage, 128, 255, cv::THRESH_BINARY); // 二值化分割，大于阈值为255，小于阈值为0 
std::vector<std::vector<cv::Point>> contours; 
std::vector<cv::Vec4i> hierarchy; 
cv::findContours(binaryImage, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE); 
cv::Mat contoursImage = cv::Mat::zeros(image.size(), CV_8UC3); 
for (size_t i = 0; i < contours.size(); ++i) 
{ // 对轮廓进行多边形逼近 std::vector<cv::Point> approx; cv::approxPolyDP(contours[i], approx, cv::arcLength(contours[i], true) * 0.02, true); // 如果逼近结果是一个四边形，则认为是矩形 if (approx.size() == 4) { cv::Scalar color(0, 0, 255); cv::polylines(contoursImage, approx, true, color, 2, cv::LINE_8); } 
} 
cv::imshow("Contours Image", contoursImage); 
cv::waitKey(0);

在示例中，先计算轮廓的多边形逼近，然后通过判断逼近结果的顶点个数来识别是否是矩形。

除了前面提到的基于多边形逼近的方法外，还有一些常用的形状识别算法可以应用于轮廓识别。

• 椭圆识别：

通过椭圆拟合方法，可以识别椭圆形状。使用cv::fitEllipse()函数对轮廓进行椭圆拟合，然后判断拟合程度以确定形状是否为椭圆。

cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE); // 读取灰度图像 
cv::Mat blurredImage; 
cv::GaussianBlur(image, blurredImage, cv::Size(5, 5), 0); // 高斯模糊 
cv::Canny(blurredImage, blurredImage, 50, 150); // 边缘检测 
std::vector<std::vector<cv::Point>> contours; 
cv::findContours(blurredImage, contours, cv::RETR_EXTERNAL, 
cv::CHAIN_APPROX_SIMPLE); // 查找轮廓 
cv::Mat ellipseImage = cv::Mat::zeros(image.size(), CV_8UC3); 
for (size_t i = 0; i < contours.size(); ++i) 
{ cv::RotatedRect ellipse = cv::fitEllipse(contours[i]); // 椭圆拟合 cv::ellipse(ellipseImage, ellipse, cv::Scalar(0, 255, 0), 2); 
} 
cv::imshow("Ellipses Image", ellipseImage); 
cv::waitKey(0);

• 几何矩识别：

使用几何矩方法可以计算轮廓的矩，并利用矩的特征来识别不同的形状，如面积、宽高比、中心距等。

cv::Mat image = cv::imread("image.jpg", cv::IMREAD_GRAYSCALE); // 读取灰度图像 
cv::Mat blurredImage; 
cv::GaussianBlur(image, blurredImage, cv::Size(5, 5), 0); // 高斯模糊 
cv::threshold(blurredImage, blurredImage, 100, 255, cv::THRESH_BINARY); // 二值化
std::vector<std::vector<cv::Point>> contours; 
cv::findContours(blurredImage, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE); // 查找轮廓 
cv::Moments moments; 
cv::Mat momentsImage = cv::Mat::zeros(image.size(), CV_8UC3); 
for (size_t i = 0; i < contours.size(); ++i) 
{ moments = cv::moments(contours[i]); // 计算几何矩 cv::Point centroid(moments.m10 / moments.m00, moments.m01 / moments.m00); // 形心坐标 cv::circle(momentsImage, centroid, 4, cv::Scalar(0, 255, 0), -1); double area = moments.m00; // 面积 double aspect_ratio = moments.m20 / moments.m02; // 宽高比 // 可根据需要判断其他矩的特征 
} 
cv::imshow("Moments Image", momentsImage); 
cv::waitKey(0);

• 形状匹配：

通过形状匹配方法，可以将待识别的形状与已知形状进行比较，来确定形状的类别。常见的形状匹配方法包括轮廓匹配和模板匹配。

这些方法可以根据实际需求和具体应用选用。需要根据图像特征和形状的具体定义来选择适合的方法。可以结合多个特征和算法，进行更准确的形状识别。根据不同形状的特征，使用适当的函数和算法进行识别，并可针对需要的特征进行进一步的处理和分析。