截至到本次教程，我们已经基本掌握了OpenCV常用的一些功能，实际上已经可以处理很多问题了，故从本教程开始，示例代码将编写为一个固定函数，以便调用，另外将不再给出完整代码，比如导入库将不再另行贴出，一些基本的代码也不再贴出，只贴出核心部分，我会将核心部分整理为一个方便调用的函数。
我们在前面讨论了轮廓的特征以及属性，今天我们将综合之前学的内容讨论轮廓的高级功能。
凸缺陷
对象上的任何凹陷都被称为凸缺陷，OpenCV 中有一个函数cv.convexityDefect()可以帮助我们找到凸缺陷，函数调用如下：
hull = cv2.convexHull(cnt,returnPoints = False)
defects = cv2.convexityDefects(cnt,hull)
注意:如果要查找凸缺陷，在使用函数 cv2.convexHull 找凸包时，
参数 returnPoints 一定要是 False。
它会返回一个数组，其中每一行包含的值是 [起点，终点，最远的点，到最远点的近似距离]，们可以在一张图上显示它。我们将起点和终点用一条绿线 连接，在最远点画一个圆圈，要记住的是返回结果的前三个值是轮廓点的索引，我们仍然使用之前的多边形的图片：
来看代码核心部分：
def convexity(img):
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(img_gray, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh, 2, 1)
cnt = contours[0]
hull = cv2.convexHull(cnt, returnPoints=False)
defects = cv2.convexityDefects(cnt, hull)
for i in range(defects.shape[0]):
s, e, f, d = defects[i, 0]
start = tuple(cnt[s][0])
end = tuple(cnt[e][0])
far = tuple(cnt[f][0])
cv2.line(img, start, end, [0, 255, 0], 2)
cv2.circle(img, far, 5, [0, 0, 255], -1)
cv2.imshow('img', img)
可以看到，凹陷处被检测出来。
点多边形测试
点多边形测试求解图像中的一个点到一个对象轮廓的最短距离。如果点在轮廓的外部，返回值为负。如果在轮廓上，返回值为0。如果在轮廓内部，返回值为正。
例如，我们可以如下检查点（50,50）：
dist = cv.pointPolygonTest（cnt，（50,50），True）
在函数中，第三个参数是measureDist。如果为True，则找到带符号的距离。如果为False，它将查找该点是在轮廓内部还是外部或轮廓上（分别返回+ 1，-1、0）。
这个按照我们的需要设置为False即可，当measureDist设置为false时，若返回值为+1，表示点在轮廓内部，返回值为-1，表示在轮廓外部，返回值为0，表示在轮廓上。
注意：如果不想查找距离，确保第三个参数为False，因为这是一个耗时的过程。因此，将其设置为False可使速度提高2-3倍。
我们来看代码，看看（50,50）位于哪儿：
def PointPolygon(img):
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(img_gray, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh, 2, 1)
cnt = contours[0]
dist = cv2.pointPolygonTest(cnt,(50,50),False)
print(dist)结果：
-1代表该点位于轮廓内部。
匹配形状
函数 cv2.matchShape() 可以帮我们比较两个形状或轮廓的相似度。如果返回值越小，匹配越好。它是根据 Hu 矩来计算的。Hu 矩是归一化中心矩的线性组合，之所以这样做是为了能够获取代表图像的某个特征的矩函数，这些矩函数对某些变化如缩放，旋转，镜像映射具有不变形。
我们来看函数原型以及相应参数解释：
第一个参数是待匹配的物体1，第二个是待匹配的物体2
第三个参数method有三种输入：
CV_CONTOURS_MATCH_I1
CV_CONTOURS_MATCH_I2
CV_CONTOURS_MATCH_I3
即三种不同的判定物体相似的方法
注意：
前两个参数输入“灰度图像”时，并不是想当然的那样，其内容包含待匹配轮廓图案的灰度图；而是使用一行或一列双通道灰度图或者两列灰度图，该图中的每个像素不是什么图片，而是代表多边形轮廓上各节点的X,Y坐标。
输入轮廓时每个参数只能是一个轮廓
MatchShapes是OpenCV提供的一个根据计算比较两张图像Hu不变距的函数，函数返回值代表相似度大小，完全相同的图像返回值是0，返回值最大是1。这可以用在在一堆照片中搜索出两张相同或相同程度最大的图像。
我们现在可以做个试验，类似于模板匹配。
待识别图像：
模板图像：
现在我们看看识别的步骤：
1. 将待识别图像 -> 灰度图像 -> 二值图像
2. 通过轮廓检索函数 cv.findContours 找到待识别图像所有轮廓
3. 模板图像 -> 灰度图像 -> 二值图像
4. 通过轮廓检索函数 cv.findContours 找到模板图像中字母 A 的外轮廓
5. 将第2步得到的轮廓逐一和第4步得到的轮廓 通过 cv.matchShapes 函数进行形状匹配。找到其中最小值，最小值对应的待识别图像中的轮廓即为匹配到的模板图像
6. 标出在待识别图像中找到的模板图像
来看核心代码：
def MatchShapes():
# 载入原图
img = cv2.imread('OCR.jpg', 0)
# 在下面这张图像上作画
image1 = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
# 二值化图像
_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY|
cv2.THRESH_OTSU)
# 搜索轮廓
contours, hierarchy = cv2.findContours(thresh, 3, 2)
hierarchy = np.squeeze(hierarchy)
# 载入标准模板图
img_a = cv2.imread('temp.jpg', 0)
_, th = cv2.threshold(img_a, 0, 255, cv2.THRESH_BINARY|
cv2.THRESH_OTSU)
contours1, hierarchy1 = cv2.findContours(th, 3, 2)
# 字母A的轮廓
template_a = contours1[0]
# 记录最匹配的值的大小和位置
min_pos = -1
min_value = 2
for i in range(len(contours)):
# 参数3：匹配方法；参数4：opencv预留参数
value = cv2.matchShapes(template_a, contours[i], 1, 0.0)
if value < min_value:
min_value = value
min_pos = i
# 参数3为0表示绘制本条轮廓contours[min_pos]
cv2.drawContours(image1, [contours[min_pos]], 0, [255, 0, 0], 3)
cv2.imshow('result', image1)
可以看到已经正确的匹配到了，实际上这就相当于是OCR文字识别的雏形。
当然，关于OpenCV中轮廓的讨论还没有结束，仍然有其他的功能，我们将在下次介绍。