OpenCV—輪廓操作一站式詳解：查找/篩選/繪製/形狀描述與重心標註（Python版）

爲了方便使用的Python同學，將上一篇文章用Python重寫了一遍，其中一些OpenCV的Python接口說明將後續持續更新。

輪廓是定義或限定形狀或對象的邊或線，是機器視覺中的常用的概念，多用於目標檢測、識別等任務。關於OpenCV輪廓操作，尤其是級別及如何使用輪廓級別進行篩選等問題，相關文章比較少，正好最近用到，因此將其總結成文。本文主要介紹OpenCV的查找輪廓函數findContours()繪製函數drawContours()，及其輪廓級別參數hierarchy，涉及到預處理、輪廓篩選等內容，並提供全部源代碼，希望能幫助大家理解基本概念並能借鑑示例代碼編寫自己的算法。

本文代碼：Python

Python版本3.5或以上

OpenCV版本3.4（4.1版本有一處接口修改，文中已註明）

本文包括如下內容：

基本概念

1.查找和繪製輪廓函數findContous(),drawContours()

2.輪廓參數：輪廓級別、輪廓長度

3.輪廓的形狀描述子：最小覆蓋矩形、圓、多邊形逼近、凸包

編程實戰

1.如何篩選輪廓：按輪廓級別和長度篩選

2.如何繪製輪廓的外接形狀

3.如何獲取輪廓的重心座標並標註

本文的目標：

1.從原始圖像中找到2架可回收火箭

2.標註目標的位置與重心座標

閱讀完成後，將能從原始圖像中找到2架火箭，並標註其位置與座標。如下圖所示：

OpenCV輪廓操作一站式詳解：查找/篩選/繪製/形狀描述與標註

contours與hierarchy的關係

1.查找、繪製輪廓函數

findContours()

函數原型：

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])

使用方式：

binary, contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

函數參數：

image	輸入：源圖像，一個8位單通道圖像，注意一定是CV_8UC1的單通道圖像，否則報錯。非零像素被視爲1。零像素保持爲0，因此圖像被視爲二進制。可以使用compare，inRange，threshold，adaptiveThreshold，Canny等來從灰度或彩色圖像中創建二進制圖像。如果mode爲RETR_CCOMP或RETR_FLOODFILL，則輸入也可以是標籤的32位整數圖像（CV_32SC1）。
contours	輸出：檢測到的輪廓。每個輪廓都存儲爲點向量（例如std :: vector <std :: vector <cv :: Point >>）。即由若干個cv::Point類型的點組成了單個輪廓std :: vector <cv :: Point >，再由若干個輪廓組成輸入圖像中的全部輪廓std::vector<std :: vector <cv :: Point >>
hierarchy	輸出：輪廓級別信息。Hierarchy爲可選輸出變量，是std::vector<cv::Vec4i>類型的向量（每個元素都是一個4個int值構成的向量）。包含有關圖像拓撲的信息。它具有與輪廓數量一樣多的元素。例如，第i個輪廓， hierarchy[i][0]，hierarchy[i][1]，hierarchy[i][2]和hierarchy[i][3]依次爲：第i個輪廓的[Next, Previous, First_Child, Parent]，即輪廓i相同等級的下一輪廓、前一輪廓，第一個子輪廓和父輪廓（上一級輪廓）的索引號（即contours向量中的輪廓序號）。如果輪廓i沒有下一個，前一個，父級或嵌套輪廓，則層次結構[i]的相應元素將爲負數。這個參數我們將在下文中重點介紹。
mode	輸入：輪廓檢索模式, 詳見 RetrievalModes
method	輸入：輪廓近似法, 詳見ContourApproximationModes
offset	輸入：每個輪廓點移動的偏移量，可選參數，cv::Point(`)類型`。如果從整幅圖像的某個ROI中提取輪廓，然後又在整個圖像中分析輪廓（將ROI中的輪廓座標恢復到整幅圖像中的座標），這個偏移量非常有用，可以免去我們自己寫代碼轉換座標系的麻煩。

mode參數：

RETR_EXTERNAL Python: cv.RETR_EXTERNAL	僅檢索極端外輪廓。它爲所有輪廓設置hierarchy [i][2] = hierarchy [i][3] = - 1。
RETR_LIST Python: cv.RETR_LIST	檢索所有輪廓而不建立任何層次關係。
RETR_CCOMP Python: cv.RETR_CCOMP	檢索所有輪廓並將它們組織成兩級層次結構。在頂層輪廓是外部輪廓。在第二層輪廓是“洞”的輪廓。如果連接組件的洞內有另一個輪廓，它的級別仍然認定爲頂層。
RETR_TREE Python: cv.RETR_TREE	檢索所有輪廓並重建嵌套輪廓的完整層次結構。
RETR_FLOODFILL Python: cv.RETR_FLOODFILL

drawContours()

繪製輪廓輪廓或填充輪廓。

函數原型：

image = cv.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]])

函數參數：

image	輸入：源圖像。單通道或3通道圖像。
contours	輸入：待繪製的輪廓。std :: vector <std :: vector <cv :: Point >>類型。
contourIdx	輸入：待繪製的輪廓序號。例如：0爲繪製第1個輪廓contours[0]；1爲繪製第2個輪廓contours[1]，依次類推；-1爲繪製所有輪廓。
color	輸入：輪廓顏色。cv::Scalar變量，例如：cv::Scalar(0,0,255)爲紅色輪廓，cv::Scalar::all(0)爲黑色輪廓
thickness	輸入：輪廓粗細。int型變量，默認爲1，值越大越粗
lineType	輸入：繪製輪廓的線型。默認LINE_8，8聯通線型（下一個點連接上一個點的邊或角）`。`
hierarchy	輸入：待繪製的輪廓級別。std::vector<cv::Vec4i>類型的向量（每個元素都是一個4個int值構成的向量）。下一輪廓、前一輪廓，第一個子輪廓和父輪廓（上一級輪廓）的索引號。
maxLevel	輸入：待繪製的輪廓最大級別。
method	輸入：輪廓近似法, 詳見ContourApproximationModes
offset	輸入：每個輪廓點移動的偏移量，可選參數。

2.預處理

預處理目的是爲輪廓查找提供高質量的輸入源圖像。

預處理的主要步驟包括：

灰度化：使用cv2.cvtColor()
圖像去噪：使用高斯濾波cv2.GaussianBlur()
二值化：使用cv2.threshold()
形態學處理：cv2.morphologyEx()

其中灰度化可以將3通道圖像轉化爲單通道圖像，以便進行二值化門限分割；去噪可以有效剔除圖像中的異常獨立噪點；二值化是爲輪廓查找函數提供單通道圖像；形態學的某些處理通常可以剔除細小輪廓，聯通斷裂的輪廓。

讀取圖像代碼如下：

# 1.載入圖像
image = cv2.imread("spaceX2.jpg", 1)
# print(image.shape)
height, width, channel = image.shape
image = cv2.resize(image, (int(0.5*width), int(0.5*height)), interpolation=cv2.INTER_CUBIC)
cv2.imshow("original", image)
cv2.waitKey()

# 2.預處理
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# print(gray.shape)
cv2.imshow("gray", gray)

gray = cv2.GaussianBlur(gray, (3, 3), 1)
ret, binary = cv2.threshold(gray, 80, 255, cv2.THRESH_BINARY_INV)
cv2.imshow("binary", binary)

element = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 3 * 3 正方形，8位uchar型，全1結構元素
binary = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, element)

cv2.imshow("morphology", binary)
cv2.waitKey()

3.查找輪廓

使用findContours函數查找輪廓，並輸出找到的輪廓個數

# 3.查找輪廓
binary, contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)  # for opencv3.4
print("find", len(contours), "contours")

如果使用的是opencv4.1版本，則上述代碼中查找輪廓函數的返回值僅有2個，如下所示

# 3.查找輪廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)  # for opencv4.1
print("find", len(contours), "contours")

4.繪製輪廓

爲了方便查看輪廓查找結果，使用drawContours()來繪製輪廓並顯示。編寫函數drawMyContours()函數用於在白色背景中或者原圖上查看輪廓。

函數參數：

窗口名字；
原始圖像以及輪廓變量
白色背景上還是在原圖上繪製輪廓的標誌位

# 4. 繪製輪廓函數
# 自定義繪製輪廓的函數（爲簡化操作）
# 輸入1：winName：窗口名
# 輸入2：image：原圖
# 輸入3：contours：輪廓
# 輸入4：draw_on_blank：繪製方式，True在白底上繪製，False:在原圖image上繪製
def drawMyContours(winName, image, contours, draw_on_blank):
    # cv2.drawContours(image, contours, index, color, line_width)
    # 輸入參數：
    # image:與原始圖像大小相同的畫布圖像（也可以爲原始圖像）
    # contours：輪廓（python列表）
    # index：輪廓的索引（當設置爲-1時，繪製所有輪廓）
    # color：線條顏色，
    # line_width：線條粗細
    # 返回繪製了輪廓的圖像image
    if (draw_on_blank): # 在白底上繪製輪廓
        temp = np.ones(image.shape, dtype=np.uint8) * 255
        cv2.drawContours(temp, contours, -1, (0, 0, 0), 2)
    else:
        temp = image.copy()
        cv2.drawContours(temp, contours, -1, (0, 0, 255), 2)
    cv2.imshow(winName, temp)
    cv2.waitKey()

在main函數中調用drawMyContours()如下：

# 4.繪製原始輪廓
drawMyContours("find contours", image, contours, True)

首次查找的輪廓變量contours中有21個向量，即找到21個輪廓。調試展開contours變量，可以看到每個元素都是一個由一系列輪廓上的點組成的。

調試展開hierarchy變量，可以看到其類型爲ndarray的n維數組，維度爲(1, 21, 4)，第二維度對應輪廓的索引號（共21個輪廓），第三維度爲1×4的輪廓級別信息（每個輪廓包含4個級別描述量[Next，Previous，First_Child，Parent]）。

通過繪製輪廓，可以看到這21個輪廓，除了兩個目標之外，還有云、地面背景以其中的“洞”輪廓。

5.篩選輪廓

查找到大輪廓顯然有許多不符合要求，因此可以通過某些準則進行輪廓篩選。通過觀察，發現上圖中有許多輪廓包含“洞”，即子輪廓，而這些子輪廓顯然也有父級輪廓，因此我們可以使用findContours的hierarchy輪廓級別參數刪除那些有子輪廓也有父輪廓的輪廓。

5.1hierarchy輪廓級別詳解

contours與hierarchy的關係

使用findContours()函數將返回contours輪廓向量以及對應的hierarchy輪廓級別向量（可選項）。兩者有相同的長度即contours.size() = hierarchy.size()，並且向量的序號表示找到的輪廓索引，且一一對應。

什麼是層次結構hierarchy？

通常我們使用findContours()函數來檢測圖像中的對象。有時對象位於不同的位置。但在某些情況下，某些形狀在其他形狀內（類似嵌套）。在這種情況下，我們將外部輪廓稱爲父級輪廓，將內部輪廓稱爲子輪廓。這樣，圖像中的輪廓彼此之間存在某種關係。並且我們可以指定一個輪廓如何相互連接，例如，它是某個其他輪廓的子項，還是父項等。此關係的表示就稱爲層次結構hierarchy。

考慮下面的示例圖片：

在上圖中，有一些形狀，我們從0-5編號這5個形狀。圖中2和2a表示最外側矩形的外部和內部輪廓。

輪廓0,1,2是最外部輪廓，三者爲同一級別。我們可以說，它們在層次結構0中，或者只是它們處於相同的層次結構級別。

接下來是輪廓-2a可以被認爲是輪廓-2的子輪廓（或者相反，輪廓-2是輪廓-2a的父級輪廓）所以讓它在層次結構-1中。類似地，輪廓-3是輪廓-2a的子輪廓，它進入下一層次。最後，輪廓4,5是輪廓-3a的子輪廓，它們位於最後的層次結構級別。從編號框的方式，可以說輪廓-4是輪廓-3a的第一個子輪廓，當然輪廓-5也是輪廓-3a的子輪廓。

如果上面的描述看着頭暈，不要緊，一開始都這樣。

5.2 OpenCV中的層次結構表示

OpenCV中每個輪廓都有自己的信息，關於它是什麼層次結構，誰是它的子輪廓，誰是它的父輪廓等.OpenCV將它表示爲四個int值的數組，Python接口中類型爲1個1×4數組：

[Next，Previous，First_Child，Parent]

Next表示同一級別的下一個輪廓索引。例如，在我們的圖片中取出輪廓-0。同一水平的下一個輪廓是輪廓-1。所以簡單地說Next = 1。類似地，對於輪廓-1，next是輪廓-2。所以Next = 2。

輪廓-2的同一級別沒有下一個輪廓，所以輪廓-2的Next = -1。輪廓-4呢？它與輪廓-5處於同一水平。所以它的下一個輪廓是輪廓-5，所以輪廓-4的Next = 5。

Previous表示同一級別的上一個輪廓索引。例如，輪廓-1的上一個輪廓在同一級別中爲輪廓-0。類似地，對於輪廓-2，它的上一個輪廓是輪廓-1。而對於輪廓-0，沒有先前的，所以把它的Previous = -1。

First_Child

First_Child表示當前輪廓的第一個子輪廓索引。例如，對於輪廓-2，子輪廓是輪廓-2a。因此輪廓-2的First_Child爲輪廓-2a的相應索引值。輪廓-3a呢？它有兩個子輪廓。但hierarchy參數只記錄第一個子輪廓，因此它是輪廓-4的索引值。因此，對於輪廓-3a，First_Child = 4。

Parent

Parent表示當前輪廓的父輪廓索引。對於輪廓-4和輪廓-5，它們的父輪廓都是輪廓-3a。對於輪廓-3a，它的父輪廓是輪廓-3，依此類推。

注意：

Previous表示同一層級的前一個輪廓的索引；
Parent表示其父輪廓的索引；
如果某個輪廓沒有子輪廓項或父輪廓，則對應的字段=-1.

5.3按hierarchy篩選輪廓

有了上述對輪廓層級的理解，下面就可以根據需要篩選輪廓了。例如本文任務是找到兩個火箭，而首次查找輪廓有許多中間有空洞的輪廓不符合要求，下面就通過遍歷每一個輪廓的hierarchy級別參數的第3第4個參數來找到那些有子輪廓或者有父輪廓的輪廓，並刪除之。注意使用Python接口操作輪廓時，hierarchy級別參數與輪廓變量contours爲不同類型的數據。處理時需要分別對待。

首先自定義一個專門用於刪除指定序號輪廓的函數delete_contours()，以方便後續操作：

#  自定義函數：用於刪除列表指定序號的輪廓
#  輸入 1：contours：原始輪廓
#  輸入 2：delete_list：待刪除輪廓序號列表
#  返回值：contours：篩選後輪廓
def delet_contours(contours, delete_list):
    delta = 0
    for i in range(len(delete_list)):
        # print("i= ", i)
        del contours[delete_list[i] - delta]
        delta = delta + 1
    return contours

然後使用級別篩選與長度篩選分別獲得待刪除的輪廓序號列表delete_list，再調用上述函數進行處理，以確保操作時輪廓序號不越界。

# 5.篩選輪廓
# 5.1使用層級結構篩選輪廓
# hierarchy[i]: [Next，Previous，First_Child，Parent]
# 要求沒有父級輪廓
delete_list = []   # 新建待刪除的輪廓序號列表
c, row, col = hierarchy.shape
for i in range(row):
    if hierarchy[0, i, 2] > 0 or hierarchy[0, i, 3] > 0:  # 有父輪廓或子輪廓
    delete_list.append(i)

# 根據列表序號刪除不符合要求的輪廓
contours = delet_contours(contours, delete_list)

print(len(contours), "contours left after hierarchy filter")
drawMyContours("contours after hierarchy filtering", image, contours, True)

篩選過後的輪廓如下圖所示，左上角和右下角的雲層與地面的帶有空洞的輪廓都被刪除了。

5.4 按長度篩選輪廓

儘管上一個步驟已經剔除了天空與地面背景輪廓，但仍然殘留這一些細小的輪廓。下一步可以使用輪廓長度contours[i].size()來濾除過小或過大的輪廓：

 # 5.2使用輪廓長度濾波
min_size = 20
max_size = 500
delete_list = []
for i in range(len(contours)):
    if (cv2.arcLength(contours[i], True) < min_size) or (cv2.arcLength(contours[i], True) > max_size):
    delete_list.append(i)

# 根據列表序號刪除不符合要求的輪廓
contours = delet_contours(contours, delete_list)

print(len(contours), "contours left after length filter")
drawMyContours("contours after length filtering", image, contours, False)

再次感覺越來越接近真理了：）

6.聯通域分析

連通區域通常代表了場景中的某個物體。爲了識別該物體，或將它與其他圖像元素比較，需要對此區域進行測量，以提取部分特徵。本節介紹opencv的形狀描述子，用於描述連通區域的形狀。OpenCV中用於形狀描述的函數有很多。我們把其中幾個用到上節提取到的區域。

（1）矩形框x, y, w, h = cv2.boundingRect()

在表示和定位圖像中的區域方法中，邊界框可能是最簡潔的。它的定義是：能完整包含該形狀的最小垂直矩形。返回值是方框左上角座標以及方框的寬和高x，y, w, h.

（2）最小覆蓋圓cv2.minEnclosingCircle()

最小覆蓋圓通常用在只需要區域尺寸和位置的近似值的情況。

（3）多邊形逼近cv2.approxPolyDP()

如果要更緊湊地表示區域的形狀，可以採用多邊形逼近。在創建時需要設置精度參數，表示形狀與對應的簡化多邊形之間能接受的最大距離。它是cv::approxPolyDP(contours[1],poly,5,true)函數的第四個參數。返回結果是cv::Point類型的向量，表示多邊形頂點個數。在畫這個多邊形時，要迭代遍歷整個向量，並在頂點之間畫直線，把它們逐個連接起來。

（4）凸包cv2.convexHll()

凸包是包含該形狀的最小凸多邊形。可以把它看作一條繞在區域周圍的橡皮筋。在形狀輪廓中凹進去的位置，凸包輪廓會與原始輪廓發生偏離。

下面使用上述分析方法中的凸包與最小覆蓋矩形兩種方法分別對2架火箭的提取輪廓進行分析。

# 6.形狀描述子
# 6.1 最小覆蓋矩形
result = image.copy()
x, y, w, h = cv2.boundingRect(contours[0])  #（x,y）爲矩形左上角的座標，（w,h）是矩形的寬和高
cv2.rectangle(result, (x, y), (x+w, y+h), (0, 255, 255), 1)

# 6.2 凸包
hull = cv2.convexHull(contours[1])
cv2.polylines(result, [hull], True, (0, 255, 0), 1)

得到的結果如下圖所示：輪廓1爲最小覆蓋矩形（黃色線條），輪廓2爲凸包（綠色線條）

7.標註輪廓重心

終於到最後一步了。下面先求2個輪廓的重心，然後使用cv::Circle()與cv::putText()函數將重心位置與座標標註到畫面上。

# 7.畫重心
for i in range(len(contours)):
    mom = cv2.moments(contours[i])
    pt = (int(mom['m10'] / mom['m00']), int(mom['m01'] / mom['m00']))  # 使用前三個矩m00, m01和m10計算重心
    cv2.circle(result, pt, 2, (0, 0, 255), 2)  # 畫紅點
    text = "(" + str(pt[0]) + ", " + str(pt[1]) + ")"
    cv2.putText(result, text, (pt[0]+10, pt[1]+10), cv2.FONT_HERSHEY_PLAIN, 1.5, (255, 255, 255), 1, 8, 0);

cv2.imshow("center", result)
cv2.waitKey()

最終結果如下圖所示。

參考鏈接：

https://docs.opencv.org/3.1.0/d9/d8b/tutorial_py_contours_hierarchy.html

https://docs.opencv.org/3.4.1/d3/dc0/group__imgproc__shape.html#ga17ed9f5d79ae97bd4c7cf18403e1689a

本文更新鏈接：https://blog.csdn.net/iracer/article/details/90695914

轉載請註明出處。

OpenCV—輪廓操作一站式詳解：查找/篩選/繪製/形狀描述與重心標註(Python版)

OpenCV—輪廓操作一站式詳解：查找/篩選/繪製/形狀描述與重心標註（Python版）

1.查找、繪製輪廓函數

findContours()

drawContours()

2.預處理

3.查找輪廓

4.繪製輪廓

5.篩選輪廓

5.1hierarchy輪廓級別詳解

contours與hierarchy的關係

什麼是層次結構hierarchy？

5.2 OpenCV中的層次結構表示

Next

Previous

First_Child

Parent

5.3按hierarchy篩選輪廓

5.4 按長度篩選輪廓

6.聯通域分析

7.標註輪廓重心

《日本蠟燭圖》讀書筆記 & 技術分析回測

《期貨-市場技術分析》讀書筆記

Python多線程編程深度探索：從入門到實戰

mongodb處理json數據很好

[轉帖]cpupower

35K*14 薪，入職了！這公司只要不裁員，我能一直呆下去！

OpenCV—輪廓操作一站式詳解：查找/篩選/繪製/形狀描述與重心標註(C++版)

Win7系統Visual Studio 2013配置OpenCV3.1圖文詳解

OpenCV—輪廓操作一站式詳解：查找/篩選/繪製/形狀描述與重心標註(Python版)

一起學UML建模：面向對象基礎與UML表示

一起學UML建模：UML簡介與建模軟件安裝

https://yachay.unat.edu.pe/blog/index.php?comment_area=format_blog&comment_component=blog&comment_co

linux以太網驅動總結