OpenCV-Python——第17.4章（轮廓的其他函数（凸缺陷，形状匹配，....）） —OpenCV

【OpenCV-Python——第17.4章（轮廓的其他函数（凸缺陷，形状匹配，....））】目录
1 凸缺陷2 Point Polygon Test3 形状匹配
1 凸缺陷
前面我们已经学习了轮廓的凸包，对象上的任何凹陷都被成为凸缺陷。 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。
其中：
下面这个函数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。

cv2.convexHull(points, hull, clockwise, returnPoints)

points：我们要传入的轮廓
hull：输出，通常不需要
clockwise：方向标志。如果设置为 True，输出的凸包是顺时针方向的。否则为逆时针方向。
returnPoints：默认值为 True。它会返回凸包上点的坐标。如果设置为 False，就会返回与凸包点对应的轮廓上的点。

下面这个函数可以帮助我们找到凸缺陷

cv2.convexityDefect(contour， convexhull， convexityDefects)

contour：检测到的轮廓，可以调用findContours函数得到
convexhull：检测到的凸包，可以调用convexHull函数得到。
convexityDefects：输出参数，检测到的最终结果，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]。我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。所以我们还要到轮廓点中去找它们。

2 Point Polygon Test
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。

cv2.pointPolygonTest(contour, pt, measureDist)

contour：轮廓可以调用findContours函数得到
pt：测量点的坐标
measureDist：如果设置为 True，就会计算最短距离。如果是 False，只会判断这个点与轮廓之间的位置关系（返回值为 +1，-1，0）。

对上面两节举个例子：

import cv2 import numpy as np from matplotlib import pyplot as pltfont = cv2.FONT_HERSHEY_SIMPLEX# 设置字体样式img = cv2.imread('test21_4.jpg') imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(imgray, 127, 255, 0) image, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) 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)inside = (190, 190) outside = (50, 50)img0 = img.copy() dist1 = cv2.pointPolygonTest(cnt, outside, True) cv2.circle(img0, outside, 5, [255, 255, 0], -1) text = 'Point Ploygon Test: ' + str(round(dist1, 2)) cv2.putText(img0, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)img1 = img.copy() dist2 = cv2.pointPolygonTest(cnt, inside, True) cv2.circle(img1, inside, 5, [255, 255, 0], -1) text = 'Point Ploygon Test: ' + str(round(dist2, 2)) cv2.putText(img1, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)img2 = img.copy() dist3 = cv2.pointPolygonTest(cnt, outside, False) cv2.circle(img2, outside, 5, [255, 255, 0], -1) text = 'Point Ploygon Test: ' + str(dist3) cv2.putText(img2, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)img3 = img.copy() dist4 = cv2.pointPolygonTest(cnt, inside, False) cv2.circle(img3, inside, 5, [255, 255, 0], -1) text = 'Point Ploygon Test: ' + str(dist4) cv2.putText(img3, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)plt.subplot(221), plt.imshow(cv2.cvtColor(img0, cv2.COLOR_BGR2RGB)), plt.title('Pole') plt.subplot(222), plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)), plt.title('Rectangle') plt.subplot(223), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)), plt.title('Rectangle') plt.subplot(224), plt.imshow(cv2.cvtColor(img3, cv2.COLOR_BGR2RGB)), plt.title('Circle') plt.show()

结果如下：

OpenCV-Python——第17.4章（轮廓的其他函数（凸缺陷，形状匹配，....））

文章图片

3 形状匹配
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矩可参考：http://blog.csdn.net/wrj19860202/article/details/6327094
由Hu矩组成的特征量对图片进行识别，优点就是速度很快，缺点是识别率比较低，我做过手势识别，对于已经分割好的手势轮廓图，识别率也就30%左右，对于纹理比较丰富的图片，识别率更是不堪入眼，只有10%左右。这一部分原因是由于Hu不变矩只用到低阶矩（最多也就用到三阶矩），对于图像的细节未能很好的描述出来，导致对图像的描述不够完整。

cv2.matchShape(contour1, contour2, method, parameter)

contour1：待匹配轮廓1
contour2：待匹配轮廓2
method：匹配方法可以有以下三种

CONTOURS_MATCH_I1
CONTOURS_MATCH_I2
CONTOURS_MATCH_I3

parameter：默认为0

举一个例子：

import cv2 import numpy as np from matplotlib import pyplot as pltfont = cv2.FONT_HERSHEY_SIMPLEX# 设置字体样式img1 = cv2.imread('test21_4.jpg') imgray1 = cv2.cvtColor(img1, cv2.COLOR_BGR2GRAY) img2 = cv2.imread('test21_4_1.jpg') imgray2 = cv2.cvtColor(img2, cv2.COLOR_BGR2GRAY) img3 = cv2.imread('test21_1.jpg') imgray3 = cv2.cvtColor(img3, cv2.COLOR_BGR2GRAY)ret, thresh1 = cv2.threshold(imgray1, 127, 255, 0) ret, thresh2 = cv2.threshold(imgray2, 127, 255, 0) ret, thresh3 = cv2.threshold(imgray3, 127, 255, 0)image, contours, hierarchy = cv2.findContours(thresh1, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) cnt1 = contours[0] image, contours, hierarchy = cv2.findContours(thresh2, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) cnt2 = contours[0] image, contours, hierarchy = cv2.findContours(thresh3, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) cnt3 = contours[0]match1 = cv2.matchShapes(cnt1, cnt2, 1, 0.0) text = 'Similarity Rate: ' + str(100 - round(match1, 4)*100) + '%' cv2.putText(img2, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)match2 = cv2.matchShapes(cnt1, cnt3, 1, 0.0) text = 'Similarity Rate: ' + str(100 - round(match2, 4)*100) + '%' cv2.putText(img3, text, (10, 30), font, 0.8, (0, 255, 0), 1, cv2.LINE_AA, 0)plt.subplot(131), plt.imshow(cv2.cvtColor(img1, cv2.COLOR_BGR2RGB)), plt.title('Image1') plt.subplot(132), plt.imshow(cv2.cvtColor(img2, cv2.COLOR_BGR2RGB)), plt.title('Image2') plt.subplot(133), plt.imshow(cv2.cvtColor(img3, cv2.COLOR_BGR2RGB)), plt.title('Image3') plt.show()

结果如下