EEPW论坛

OpenCV-Python系列之轮廓特征中阶

本次我们将讨论OpenCV中图像轮廓的另一些特征，它们将非常有用。

边界矩形

有两类边界矩形

直边界矩形—boundingRect()

一个直矩形(就是没有旋转的矩形)。它不会考虑对象是否旋转。所以边界矩形的面积不是最小的。可以使用函数 cv2.boundingRect() 查找得到，我们来看函数原型：

x,y,w,h = cv2.boundingRect(cnt)

(x，y)为矩形左上角的坐标，(w，h)是矩形的宽和高，通常情况下，cnt代表识别的轮廓。

之后我们利用cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)画出矩形、

参数解释

第一个参数：img是原图

第二个参数：（x，y）是矩阵的左上点坐标

第三个参数：（x+w，y+h）是矩阵的右下点坐标

第四个参数：（0,255,0）是画线对应的rgb颜色

第五个参数：2是所画的线的宽度

我们来看代码：

import cv2

# 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)

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

可以看到一个外接矩形，但是它不是最小的外接矩形，接下来我们讨论最小外接矩形。

旋转的边界矩形

这个边界矩形是面积最小的，因为它考虑了对象的旋转。

用到的函数为 ：

cv2.minAreaRect(cnt)。

在这里的cnt仍然跟上面的相同，该函数返回的是一个 Box2D 结构：

Box2D结构 rect：（最小外接矩形的中心（x，y），（宽度，高度），旋转角度），但是要绘制此矩形，我们需要矩形的4个角。 它是通过函cv2.boxPoints（）获得的。

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]

rect = cv2.minAreaRect(cnt)
box = cv2.boxPoints(rect)
box = np.int0(box)
cv2.drawContours(img,[box],0,(0,0,255),2)

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

可以看到，这里得出的结果是最小外接矩形。

最小外接圆

跟之前一样，轮廓可以外接矩形，同时也可以外接圆形。接下来，我们使用函数cv.minEnclosingCircle（）找到对象的外接圆。 它是一个以最小面积完全覆盖对象的圆圈。

函数原型：

      center, radius     =     cv.minEnclosingCircle(   points    )

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]

(x, y), radius = cv2.minEnclosingCircle(cnt)
center = (int(x), int(y))
radius = int(radius)
cv2.circle(img, center, radius, (0, 255, 0), 2)

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

椭圆拟合

轮廓同样也可以进行椭圆拟合，函数原型：

retval=cv.fitEllipse(points)

输入参数跟之前的外界矩形是一样的，就不一一详述了。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]

ellipse = cv2.fitEllipse(cnt)
cv2.ellipse(img,ellipse,(0,255,0),2)

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

直线拟合

同样，我们可以将一条直线拟合到一组点。下图包含一组白点，我们可以近似一条直线。函数原型：

output = cv2.fitLine(InputArray  points, distType, param, reps, aeps)

InputArray Points: 待拟合的直线的集合，必须是矩阵形式；

distType: 距离类型。fitline为距离最小化函数，拟合直线时，要使输入点到拟合直线的距离和最小化。这里的距离的类型有以下几种：

cv2.DIST_USER : User defined distance

cv2.DIST_L1: distance = |x1-x2| + |y1-y2|

cv2.DIST_L2: 欧式距离，此时与最小二乘法相同

cv2.DIST_C:distance = max(|x1-x2|,|y1-y2|)

cv2.DIST_L12:L1-L2 metric: distance = 2(sqrt(1+x*x/2) - 1))

cv2.DIST_FAIR:distance = c^2(|x|/c-log(1+|x|/c)), c = 1.3998

cv2.DIST_WELSCH: distance = c2/2(1-exp(-(x/c)2)), c = 2.9846

cv2.DIST_HUBER:distance = |x|<c |x^2/2 : c(|x|-c/2), c=1.345

param： 距离参数，跟所选的距离类型有关，值可以设置为0。

reps, aeps： 第5/6个参数用于表示拟合直线所需要的径向和角度精度，通常情况下两个值均被设定为1e-2。

output ： 对于二维直线，输出output为4维，前两维代表拟合出的直线的方向，后两位代表直线上的一点。（即通常说的点斜式直线）。

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]
rows,cols = img.shape[:2]

[vx,vy,x,y] = cv2.fitLine(cnt, cv2.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)

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

现在我们可以来一个实战部分，用椭圆拟合来进行人眼识别之后标注出来，首先我们需要安装dlib库，这种一个人脸特征检测库，接下来我们设置特征检测器，dlib有已经训练的好的需要下载，也可以自己根据需要训练：

下载链接：http://dlib.net/files/shape_predictor_68_face_landmarks.dat.bz2

下载完之后解压，将路径放到根目录里面，当然了，下载是需要科学上网的，否则下载速度非常慢。

我们使用图片：

代码：

import cv2
 import dlib
 import numpy as np
 
 detector = dlib.get_frontal_face_detector()
 landmark_predictor = dlib.shape_predictor('shape_predictor_68_face_landmarks.dat')
 
 img = cv2.imread("min.jpg")
 faces = detector(img,1)
 left_eye = []
 right_eye = []
 if ( len(faces) > 0):
     for k,d in enumerate(faces):
         shape = landmark_predictor(img,d)
         for i in range(36,42):
             right_eye.append([shape.part(i).x,shape.part(i).y])
         for i in range(42,48):
             left_eye.append([shape.part(i).x,shape.part(i).y])
 
 
 
 
 
 ellipse_left = cv2.fitEllipse(np.array(left_eye))
 ellipse_right = cv2.fitEllipse(np.array(right_eye))
 cv2.ellipse(img, ellipse_left, (0,255,0), 1)
 cv2.ellipse(img, ellipse_right, (0,255,0), 1)
 
 ellipse_left
 ((275.1310119628906, 197.24081420898438),
  (13.491097450256348, 47.203433990478516),
  84.19256591796875)
 
 
 center = ellipse_left[0]
 size = ellipse_left[1]
 angle = ellipse_left[2]
 
 
 
 cv2.imshow('PIC',img)
 cv2.waitKey(0)

可以看到，人眼已经识别出来，并用椭圆进行了拟合，是不是很有趣。

本次我们主要讨论轮廓的外界图形，事实上它们都是非常有用的，下次我们将讨论轮廓特征的一些高阶方法。