这是函数 cv2.findCountours() 的第三个参数。它到底代表什么意思呢？ 上边我们已经提到轮廓是一个形状具有相同灰度值的边界。它会存贮形状边界上所有的 (x，y) 坐标。但是需要将所有的这些边界点都存储吗？这就是这个参数要告诉函数 cv2.findContours 的。

这个参数如果被设置为 cv2.CHAIN_APPROX_NONE，所有的边界点都会被存储。但是我们真的需要这么多点吗？例如，当我们找的边界是一条直线时。你用需要直线上所有的点来表示直线吗？不是的，我们只需要这条直线的两个端点而已。这就是 cv2.CHAIN_APPROX_SIMPLE 要做的。它会将轮廓上的冗余点都去掉，压缩轮廓，从而节省内存开支。

我们用下图中的矩形来演示这个技术。在轮廓列表中的每一个坐标上画一个蓝色圆圈。第一个图显示使用cv2.CHAIN_APPROX_NONE 的效果，一共 734 个点。第二个图是使用 cv2.CHAIN_APPROX_SIMPLE 的结果，只有 4 个点。看到他的威力了吧！

图像的矩可以帮助我们计算图像的质心，面积等。函数 cv2.moments() 会将计算得到的矩以一个字典的形式返回。

根据这些矩的值，我们可以计算出对象的重心：

1 2 3 4 5 6 7 8 9 10 11

import cv2 import numpy as np img = cv2.imread('tower.jpg',0) ret,thresh = cv2.threshold(img,127,255,0) image, contours,hierarchy = cv2.findContours(thresh, 1, 2) cnt = contours[0] M = cv2.moments(cnt) print(M)

1

{'m00': 2.0, 'm10': 742.0, 'm01': 1502.0, 'm20': 275282.3333333333, 'm11': 557242.0, 'm02': 1128002.3333333333, 'm30': 102129993.0, 'm21': 206737032.33333334, 'm12': 418488865.6666667, 'm03': 847130253.0, 'mu20': 0.3333333333139308, 'mu11': 0.0, 'mu02': 0.3333333332557231, 'mu30': 1.4901161193847656e-08, 'mu21': 2.450542524456978e-08, 'mu12': 4.866160452365875e-08, 'mu03': 1.1920928955078125e-07, 'nu20': 0.0833333333284827, 'nu11': 0.0, 'nu02': 0.08333333331393078, 'nu30': 2.634178031930877e-09, 'nu21': 4.331988091573825e-09, 'nu12': 8.60223763552427e-09, 'nu03': 2.1073424255447017e-08}

1 2 3 4

cx = int(M['m10']/M['m00']) cy = int(M['m01']/M['m00']) print(cx,cy)

1

371 751

也被称为弧长。可以使用函数 cv2.arcLength() 计算得到。这个函数的第二参数可以用来指定对象的形状是闭合的（True），还是打开的（一条曲线）。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

import cv2 import numpy as np img = cv2.imread('opencv.jpg') imgray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(imgray,127,255,0) image, contours,hierarchy = cv2.findContours(thresh, 1, 2) cnt = contours[0] # 计算面积 Area = cv2.contourArea(cnt) # 计算周长 perimeter = cv2.arcLength(cnt,True) print(Area) img = cv2.drawContours(img, contours, -1, (0,255,0), 3) cv_show(img,'img')

1

41.0

将轮廓形状近似到另外一种由更少点组成的轮廓形状，新轮廓的点的数目由我们设定的准确度来决定。使用的Douglas-Peucker算法，你可以到维基百科获得更多此算法的细节。

为了帮助理解，假设我们要在一幅图像中查找一个矩形，但是由于图像的种种原因，我们不能得到一个完美的矩形，而是一个“坏形状”（如下图所示）。现在你就可以使用这个函数来近似这个形状（）了。这个函数的第二个参数叫epsilon，它是从原始轮廓到近似轮廓的最大距离。它是一个准确度参数。选择一个好的 epsilon 对于得到满意结果非常重要。

下边，第二幅图中的绿线是当 epsilon = 10% 时得到的近似轮廓，第三幅图是当 epsilon = 1% 时得到的近似轮廓。第三个参数设定弧线是否闭合。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16

import cv2 import numpy as np img = cv2.imread('contours.jpg') imgray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(imgray,127,255,0) image, contours,hierarchy = cv2.findContours(thresh, 1, 2) cnt = contours[0] epsilon = 0.1*cv2.arcLength(cnt,True) approx = cv2.approxPolyDP(cnt,epsilon,True) contours[0] = cnt img = cv2.drawContours(img, contours, -1, (0,255,0), 3) cv_show(img,'img')

凸包与轮廓近似相似，但不同，虽然有些情况下它们给出的结果是一样的。

函数 cv2.convexHull() 可以用来检测一个曲线是否具有凸性缺陷，并能纠正缺陷。一般来说，凸性曲线总是凸出来的，至少是平的。如果有地方凹进去了就被叫做凸性缺陷。例如下图中的手。红色曲线显示了手的凸包，凸性缺陷被双箭头标出来了。

hull = cv2.convexHull(points[, hull[, clockwise[, returnPoints]]

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

import cv2 import numpy as np img = cv2.imread('contours.jpg') imgray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(imgray,127,255,0) image, contours,hierarchy = cv2.findContours(thresh, 1, 2) cnt = contours[0] # 要获得上图的凸包，下面的命令就够了 hull = cv2.convexHull(cnt) img = cv2.drawContours(img, contours, -1, (0,255,0), 3) cv_show(img,'img')

但是如果你想获得凸性缺陷，需要把 returnPoints 设置为 False。上面的矩形为例，首先我们找到他的轮廓 cnt。现在我把 returnPoints 设置为 True 查找凸包，我得到下列值：

[[[234 202]], [[ 51 202]], [[ 51 79]], [[234 79]]]，其实就是矩形的个角点。

现在把 returnPoints 设置为 False，我得到的结果是[[129],[ 67],[ 0],[142]]

他们是轮廓点的索引。例如：cnt[129] = [[234, 202]]，这与前面我们得到结果的第一个值是一样的。在凸检验中你我们还会遇到这些。

函数 cv2.isContourConvex() 可以可以用来检测一个曲线是不是凸的。它只能返回 True 或 False。没什么大不了的。

1

k = cv2.isContourConvex(cnt)

当得到对象轮廓后，可用boundingRect()得到包覆此轮廓的最小正矩形，minAreaRect()得到包覆轮廓的最小斜矩形。

有两类边界矩形。

（x，y）为矩形左上角的坐标，（w，h）是矩形的宽和高。

1 2

x,y,w,h = cv2.boundingRect(cnt) img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

1 2 3 4 5 6

rect = cv2.minAreaRect(cnt) # cv2.boxPoints(rect) for OpenCV 3.x box = cv2.boxPoints(rect) box = np.int0(box) img = cv2.drawContours(img,[box],0,(0,0,255),2)

把这两中边界矩形显示在下图中，其中绿色的为直矩形，红的为旋转矩形。

该函数计算并返回指定点集的最小区域边界斜矩形。

points：输入信息，可以为包含点的容器(vector)或是Mat。 返回包覆输入信息的最小斜矩形，是一个Box2D结构rect：（最小外接矩形的中心（x，y），（宽度，高度），旋转角度），但是要绘制这个矩形，我们需要矩形的4个顶点坐标box, 通过函数 cv2.cv.BoxPoints() 获得，返回形式[ [x0,y0], [x1,y1], [x2,y2], [x3,y3] ]。得到的最小外接矩形的4个顶点顺序、中心坐标、宽度、高度、旋转角度（是度数形式，不是弧度数）的对应关系如下：

图片来自博客：https://blog.csdn.net/duiwangxiaomi/article/details/92565308

旋转角度θ是水平轴（x轴）逆时针旋转，与碰到的矩形的第一条边的夹角。并且这个边的边长是width，另一条边边长是height。也就是说，在这里，width与height不是按照长短来定义的。

在opencv中，坐标系原点在左上角，相对于x轴，逆时针旋转角度为负，顺时针旋转角度为正。所以，θ∈（-90度，0]。

opencv里求最小外接矩形的函数是cv2.minAreaRect()

minAreaRect()内部实现思路：

先求轮廓点集的凸包convex hull

再求凸包的最小外接矩形

几何定理：多边形的最小外接矩形的一条边必然与多边形的其中一条边共线

旋转卡尺算法Rotating calipers

根据上面的定理，只需要枚举多边形的边，做外接矩形，比较外接矩的面积，选最小的那个。（因为是矩形，所以枚举旋转超过90度结束，之后的枚举都是重复的外接矩形）

虽然最小外接矩形minAreaRect在很大的程度上可以代表物体的方向性，即，oriented bounding box。 但是，还有一种OBB的实现思路，来源https://www.cnblogs.com/jsxyhelu/p/9345590.html

函数 cv2.minEnclosingCircle() 可以帮我们找到一个对象的外切圆。它是所有能够包括对象的圆中面积最小的一个。

1 2 3 4

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

使用的函数为 cv2.ellipse()，返回值其实就是旋转边界矩形的内切圆。

1 2

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

我们可以根据一组点拟合出一条直线，同样我们也可以为图像中的白色点拟合出一条直线。

1 2 3 4 5 6

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) img = cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-NXhzl8Ra-1591843847991)(attachment:image.png)]

四、轮廓性质

边界矩形的宽高比：

1 2

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

1 2 3 4

area = cv2.contourArea(cnt) x,y,w,h = cv2.boundingRect(cnt) rect_area = w*h extent = float(area)/rect_area

轮廓面积与凸包面积的比。

1 2 3 4

area = cv2.contourArea(cnt) hull = cv2.convexHull(cnt) hull_area = cv2.contourArea(hull) solidity = float(area)/hull_area

与轮廓面积相等的圆形的直径

1 2

area = cv2.contourArea(cnt) equi_diameter = np.sqrt(4*area/np.pi)

对象的方向，下面的方法还会返回长轴和短轴的长度

1

(x,y),(MA,ma),angle = cv2.fitEllipse(cnt)

有时我们需要构成对象的所有像素点，我们可以这样做：

第一种方法使用了 Numpy 函数，第二种使用了 OpenCV 函数。结果相同，但还是有点不同。Numpy 给出的坐标是（row，colum）形式的。

而 OpenCV 给出的格式是（x，y）形式的。所以这两个结果基本是可以互换的。row=x，colunm=y。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

mask = np.zeros(imgray.shape,np.uint8) # 这里一定要使用参数-1, 绘制填充的的轮廓 cv2.drawContours(mask,[cnt],0,255,-1) #Returns a tuple of arrays, one for each dimension of a, #containing the indices of the non-zero elements in that dimension. #The result of this is always a 2-D array, with a row for #each non-zero element. #To group the indices by element, rather than dimension, use: #transpose(nonzero(a)) #>>> x = np.eye(3) #>>> x #array([[ 1., 0., 0.], # [ 0., 1., 0.], # [ 0., 0., 1.]]) #>>> np.nonzero(x) #(array([0, 1, 2]), array([0, 1, 2])) #>>> x[np.nonzero(x)] #array([ 1., 1., 1.]) #>>> np.transpose(np.nonzero(x)) #array([[0, 0], # [1, 1], # [2, 2]]) pixelpoints = np.transpose(np.nonzero(mask)) #pixelpoints = cv2.findNonZero(mask)

我们可以使用掩模图像得到这些参数。

1

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(imgray,mask = mask)

我们也可以使用相同的掩模求一个对象的平均颜色或平均灰度

1

mean_val = cv2.mean(im,mask = mask)

一个对象最上面，最下面，最左边，最右边的点。

1 2 3 4

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])

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48

import cv2 import numpy as np img = cv2.imread('contours.jpg') imgray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) ret,thresh = cv2.threshold(imgray,127,255,0) image, contours,hierarchy = cv2.findContours(thresh, 1, 2) cnt = contours[0] # 计算面积 area = cv2.contourArea(cnt) # 计算周长 perimeter = cv2.arcLength(cnt,True) # 计算长宽比 x,y,w,h = cv2.boundingRect(cnt) aspect_ratio = float(w)/h # 轮廓面积与边界矩形面积的比。 rect_area = w*h extent = float(area)/rect_area # 轮廓面积与凸包面积的比。 hull = cv2.convexHull(cnt) hull_area = cv2.contourArea(hull) solidity = float(area)/hull_area # 与轮廓面积相等的圆形的直径 equi_diameter = np.sqrt(4*area/np.pi) # 对象的方向，下面的方法还会返回长轴和短轴的长度 (x,y),(MA,ma),angle = cv2.fitEllipse(cnt) print(area) print(perimeter) print(aspect_ratio) print(extent) print(solidity) print(equi_diameter) print(angle) img = cv2.drawContours(img, contours, -1, (0,255,0), 3) cv_show(img,'img')

1 2 3 4 5 6 7

22158.0 972.048770070076 1.4728682170542635 0.9040391676866585 0.9159415497178761 167.96559716871113 84.16471099853516

link