OpenCVPython系列之轮廓属性

之前我们讨论了轮廓的各种特征，OpenCV中关于图像的轮廓特征还是非常之多的。今天将讨论轮廓的一些简单的属性。

长宽比

它是对象边界矩形的宽度与高度的比，我们在之前的教程中已经介绍了获取图像轮廓的x，y，w，h，它们由函数：

x,y,w,h = cv.boundingRect(cnt)

得到，当然，我们在这里谈论的是图像的边界矩形，并非是最小边界矩形。

现在来计算长宽比，公式：

代码：

import cv2
import numpy as np

# 读取图片并转至灰度模式
img = cv2.imread("tubao.png", 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，取阈值为235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)

# 寻找图像中的轮廓
contours, hierarchy = cv2.findContours(thresh, 2, 1)

cnt = contours[0]
x,y,w,h = cv2.boundingRect(cnt)
cv2.rectangle(img,(x,y),(x+w,y+h),(0,0,255),2)
aspect_ratio = float(w)/h
print(aspect_ratio)
cv2.imshow('res', img)
cv2.waitKey()

大小比

它是轮廓区域与边界矩形区域的比，公式：

代码：

import cv2
import numpy as np

# 读取图片并转至灰度模式
img = cv2.imread("tubao.png", 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，取阈值为235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)

# 寻找图像中的轮廓
contours, hierarchy = cv2.findContours(thresh, 2, 1)

cnt = contours[0]
area = cv2.contourArea(cnt)
x,y,w,h = cv2.boundingRect(cnt)
rect_area = w*h
extent = float(area)/rect_area
print(extent)
cv2.rectangle(img,(x,y),(x+w,y+h),(0,0,255),2)
cv2.imshow('res', img)
cv2.waitKey()

仍然是上面那个图像，我们来看输出结果：

密实比

密实比是轮廓区域与其凸包区域的比，凸包区域我们在前面已经讲过：

代码：

import cv2
import numpy as np

# 读取图片并转至灰度模式
img = cv2.imread("tubao.png", 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，取阈值为235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)

# 寻找图像中的轮廓
contours, hierarchy = cv2.findContours(thresh, 2, 1)

cnt = contours[0]
area = cv2.contourArea(cnt)
hull = cv2.convexHull(cnt)
hull_area = cv2.contourArea(hull)
solidity = float(area)/hull_area
print(solidity)
lengh = len(hull)
for i in range(len(hull)):
    cv2.line(img,tuple(hull[i][0]),tuple(hull[(i+1)%lengh][0]),
             (0,0,255),2)

cv2.imshow('res', img)
cv2.waitKey()

等效直径

等效直径是圆的直径，其面积与轮廓面积相同：

代码：

import cv2
import numpy as np

# 读取图片并转至灰度模式
img = cv2.imread("tubao.png", 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，取阈值为235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)

# 寻找图像中的轮廓
contours, hierarchy = cv2.findContours(thresh, 2, 1)

cnt = contours[0]
area = cv2.contourArea(cnt)
equi_diameter = np.sqrt(4*area/np.pi)
print(equi_diameter)
cv2.waitKey()

方向

其实际上就是指物体指向的角度，我们在之前的椭圆拟合里就讲过，它会返回三个参数：主轴和短轴长度以及角度，我们来看代码：

import cv2
import numpy as np

# 读取图片并转至灰度模式
img = cv2.imread("tubao.png", 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，取阈值为235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)

# 寻找图像中的轮廓
contours, hierarchy = cv2.findContours(thresh, 2, 1)

cnt = contours[0]
(x,y),(MA,ma),angle = cv2.fitEllipse(cnt)
print(angle)
cv2.waitKey(0)

掩模和像素点

在某些情况下，我们可能需要包含该对象的所有点，本质相当于用另一层图层覆盖当前的轮廓，代码：

import cv2
import numpy as np

# 读取图片并转至灰度模式
img = cv2.imread("tubao.png", 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，取阈值为235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)

# 寻找图像中的轮廓
contours, hierarchy = cv2.findContours(thresh, 2, 1)

cnt = contours[0]
mask = np.zeros(img.shape,np.uint8)
cv2.drawContours(mask,[cnt],0,255,-1)
pixelpoints = np.transpose(np.nonzero(mask))
print(pixelpoints)
cv2.imshow("img",img)
cv2.imshow("res",mask)
cv2.waitKey(0)

可以看到，轮廓内的图形都被蓝色的图层覆盖了，这在以后的综合项目中将非常有用，可以消除不必要的噪声。

最大值，最小值及其位置

我们可以使用以下函数找到图像矩阵的最大值、最小值以及它们相应的索引位置：

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(gray)

gray指代图像的灰度图像，我们直接来看代码：

import cv2
import numpy as np

# 读取图片并转至灰度模式
img = cv2.imread("tubao.png", 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，取阈值为235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)

# 寻找图像中的轮廓
contours, hierarchy = cv2.findContours(thresh, 2, 1)

cnt = contours[0]
mask = np.zeros(img.shape,np.uint8)
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(gray)
print(min_val, max_val, min_loc, max_loc)
cv2.imshow("img",img)
cv2.imshow("res",mask)
cv2.waitKey(0)

事实上，该方法被广泛的应用在OpenCV的模板匹配中，这个我们将在后面详述。

极点

极值点表示对象的最顶部，最底部，最右侧和最左侧的点。，我们同样可以通过代码实现：

import cv2
import numpy as np

# 读取图片并转至灰度模式
img = cv2.imread("tubao.png", 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，取阈值为235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)

# 寻找图像中的轮廓
contours, hierarchy = cv2.findContours(thresh, 2, 1)

cnt = contours[0]
leftmost = tuple(cnt[cnt[:,:,0].argmin()][0])
rightmost = tuple(cnt[cnt[:,:,0].argmax()][0])
topmost = tuple(cnt[cnt[:,:,1].argmin()][0])
bottommost = tuple(cnt[cnt[:,:,1].argmax()][0])
cv2.circle(img,leftmost,2,(0,0,255),5)
cv2.circle(img,rightmost,2,(0,255,255),5)
cv2.circle(img,topmost,2,(255,0,255),5)
cv2.circle(img,bottommost,2,(255,0,122),5)
cv2.imshow("img",img)
cv2.waitKey(0)

关于OpenCV中的轮廓属性我们就讨论到这里，我们在后期的综合训练中会普遍的用到。