opencv(4.5.3)-python(二十一)--轮廓更多功能

翻译及二次校对：cvtutorials.com

目标

在本章中，我们将了解到：

1. 1. 凸性缺陷以及如何找到它们。
2. 2. 寻找从一个点到一个多边形的最短距离
3. 3. 匹配不同的形状

理论和代码

1. 1. 凸性缺陷

我们在关于轮廓的内容中看到了什么是凸面体。任何偏离这个凸包的物体都可以被认为是凸性缺陷。

OpenCV提供了一个现成的函数来寻找这个缺陷，即cv.convexityDefects()。一个基本的函数调用看起来如下。

hull = cv.convexHull(cnt,returnPoints = False)
defects = cv.convexityDefects(cnt,hull)

注意:请记住，我们在寻找凸面体时必须传递returnPoints = False，以便找到凸性缺陷。

它返回一个数组，每一行都包含这些值 - [ 起始点，终点，最远点，到最远点的大致距离 ]。我们可以用一个图像将其可视化。我们画一条连接起点和终点的线，然后在最远点画一个圆。请记住，前三个返回值是cnt的索引。所以我们必须从cnt中获取这些值。

import cv2 as cv
import numpy as np
img = cv.imread('star.jpg')
img_gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
ret,thresh = cv.threshold(img_gray, 127, 255,0)
contours,hierarchy = cv.findContours(thresh,2,1)
cnt = contours[0]
hull = cv.convexHull(cnt,returnPoints = False)
defects = cv.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])
    cv.line(img,start,end,[0,255,0],2)
    cv.circle(img,far,5,[0,0,255],-1)
cv.imshow('img',img)
cv.waitKey(0)
cv.destroyAllWindows()

然后看看结果:

1. 1. 点多边形测试

这个函数找出图像中的一个点和一个轮廓线之间的最短距离。它返回的距离是：当点在轮廓线外时为负数，当点在轮廓线内时为正数，如果点在轮廓线上则为零。

例如，我们可以检查点（50,50），如下所示。

dist = cv.pointPolygonTest(cnt,(50,50),True)

在这个函数中，第三个参数是measureDist，如果它是True，它找到有符号的距离。如果是False，它将发现该点是在轮廓线内还是在轮廓线外或在轮廓线上（它分别返回+1、-1、0）。

注意:如果你不想找距离，确保第三个参数是False，因为这是一个耗时的过程。所以，把它设为假值可以使速度提高2-3倍。

1. 1. 匹配形状

OpenCV有一个函数cv.matchShapes()，它使我们能够比较两个形状，或两个轮廓，并返回一个显示相似度的指标。结果越低，说明它的匹配度越高。它是根据hu-moment值来计算的。文档中解释了不同的测量方法。

import cv2 as cv
import numpy as np

img1 = cv.imread('star.jpg',0)
img2 = cv.imread('star2.jpg',0)

ret, thresh = cv.threshold(img1, 127, 255,0)
ret, thresh2 = cv.threshold(img2, 127, 255,0)
contours,hierarchy = cv.findContours(thresh,2,1)
cnt1 = contours[0]
contours,hierarchy = cv.findContours(thresh2,2,1)
cnt2 = contours[0]

ret = cv.matchShapes(cnt1,cnt2,1,0.0)
print( ret )

我试着用下面给出的不同形状来匹配形状。

得到了以下结果:

• • 匹配图像A与自身=0.0
• • 图像A与图像B的匹配=0.001946
• • 图片A与图片C的匹配度=0.326911

看，即使是图像旋转也不会对这个比较产生什么影响。

注意:Hu-Moments是七个对平移、旋转和缩放不变的矩。第七个是歪斜不变的。这些值可以通过cv.HuMoments()函数找到。

练习

1. 1. 查看cv.pointPolygonTest()的文档，你可以找到一个红蓝相间的漂亮图像。它代表了所有像素到上面的白色曲线的距离。曲线内的所有像素都是蓝色的，这取决于距离。同样地，外面的点是红色的。轮廓线的边缘用白色标记。所以问题很简单。写一段代码来创建这样的距离表示。
2. 2. 用cv.matchShapes()比较数字或字母的图像。( 这将是走向OCR的一个简单步骤)