OpenCV中轮廓处理简介

一、OpenCV中的轮廓

在OpenCV中，将 Canny 等边缘检测算法根据像素间的差异检测出轮廓边界的像素，作为一个整体来研究和分析，称之为轮廓。比如对于这副图片：

图像的上半部分是一张白色背景上的测试图像，包含了一系列标记 A 到 E的区域。寻找到的轮廓被标记为 cX 或 hX，其中c 代表 “轮廓（contour）”，h 代表 “孔（hole）”（也可以理解为内轮廓）。

同样，左图是原始图片，右图是寻找到的轮廓，它也采用了类似的标注方法。

二、函数调用细节

寻找轮廓的主要函数是 cv::findContours()，它的主要定义为：

void cv::findContours(
  cv::InputOutputArray    image,               // 输入图像，特别需要注意是二值图像     
  cv::OutputArrayOfArrays contours,        //输出结果
  cv::OutputArray         hierarchy,              // 层级结果
  int                     mode,                             //定义轮廓是如何提取
  int                     method,                          // 定义轮廓的寻找方法  
  cv::Point           offset = cv::Point()     // Offset every point
);

其中参数定义：

参数一：输入图像，8位单通道；
参数二：“an array of arrays”，一般采用“ an STL vector of STL vectors”，找到的轮廓、函数调用后的运算结果保存在这里；
参数三：hierarchy（层次，等级），可选输出向量。包含图像的拓扑信息。每个轮廓对应4元组，分别对应后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓。
参数四：flag 轮廓检索模式
参数五：flag 轮廓近似方法

其中，对于参数二，它主要是以vector<cv::point>的形式保存寻找到的轮廓结果；

对于参数三，一般表示为cv::Vec4i 型的元素，并且进一步按照以下结构来进行定义：

Index	Meaning
0	同级的下一条轮廓
1	同级的前一条轮廓
2	下级的第一个子节点
3	上级的父节点

通过这幅图能够很明显地看出层次关系：

其对应的轮廓的相互关系为：


0  [ 7, -1, 1, -1]
1  [-1, -1, 2, 0]
2  [-1, -1, 3, 1]
3  [-1, -1, 4, 2]
4  [-1, -1, 5, 3]
5  [ 6, -1, -1, 4]
6  [-1, 5, -1, 4]
7  [ 8, 0, -1, -1]
8  [-1, 7, -1, -1]

对于参数四，轮廓检索模式：

对于参数五，轮廓近似方法：

cv::CHAIN_APPROX_NONE

将轮廓编码中的所有点转换为点。这一操作将会产生大量的点，每个点都将成为前一个点的8个邻点之一，不会减少返回的点数，

cv::CHAIN_APPROX_SIMPLE

压缩水平、垂直、斜的部分，只保留最后一个点。在许多特殊情况下，这一操作将大大减少返回的点数。极端例子是，对于一个沿着x-y x-y 轴方向的矩形（任意大小），只会返回4个点。

cv::CHAIN_APPROX_TC89_L1 or cv::CHAIN_APPROX_TC89_KCOS

使用Teh-Chin 链逼近算法中的一个。

三、重要函数

轮廓处理中经常遇到的任务是计算一些轮廓变化的概括特性，这可能包括长度或其他一些反应轮廓整体大小的量度，包括以下函数：

cv::arcLength() 得到轮廓的长度

double  cv::arcLength(
  cv::InputArray  points,      // Array or vector of 2-dimensional points
  bool            closed       // If true, assume link from last to first vertex
);

第一个参数代表是轮廓，其形式可以是任何常见的轮廓表示方法（如标准模板库的点向量，或二通道数组）。

第二个参数closed表示该轮廓是否是闭合的。假如轮廓是闭合的，则参数points中的最后一个点到第一个的距离也算入总弧长中。

cv::minAreaRect()活动轮廓的最小外接矩形

cv::RotatedRect cv::minAreaRect( // Return rectangle bounding the points
  cv::InputArray  points,        // Array or vector of 2-dimensional points
);

其返回的是一个RotatedRect 结构。

cv::minEnclosingCircle()获得最小包围圆

void  cv::minEnclosingCircle(
   cv::InputArray points,        // Array or vector of 2-dimensional points
   cv::Point2f&   center,        // Result location of circle center
   float&         radius         // Result radius of circle
);

center 和 radius 参数是需要获得的结果。

cv::convexHull()获得轮廓的凸包

void cv::convexHull(
  cv::InputArray  points,               // Array or vector of 2-d points
  cv::OutputArray hull,                 // Array of points or integer indices
  bool            clockwise    = false, // true='output points will be clockwise'
  bool            returnPoints = true   // true='points in hull', else indices
);

pointPolygonTest 检测点是否落在多边形内

double cv::pointPolygonTest(   // Return distance to boundary (or just side)
  cv::InputArray contour,      // Array or vector of 2-dimensional points
  cv::Point2f    pt,           // Test point
  bool           measureDist   // true 'return distance', else {0,+1,-1} only
);

当参数measureDist设为真，函数将返回该点距离最近的轮廓边缘的距离。若点在轮廓内，距离为0；若点在轮廓外，距离将是大于0的整数

基于pointPolygonTest，我们能够实现“寻找已知轮廓最大内接圆”，具体来说，就是找到这样的结果：

细节可以参考：https://github.com/opencv/opencv/pull/12206，这个实现已经被OpenCV收录。

四、快速连通区域分析

与轮廓分析紧密相关的另一种方法是连通区域分析. 采用阈值化等方法分割一张图像后，我们可以采用连通区域分析来有效地对返回图像逐张分离和处理。在以前，常用的方法是”是先调用 cv::findContours() 函数（传入cv::RETR_CCOMP 标志），随后在得到的连通区域上循环调用 cv::drawContours() “

比如，我在GOCVHelper中这样进行了实现

    //寻找最大的轮廓
    VP FindBigestContour(Mat src){    
        int imax = 0; //代表最大轮廓的序号
        int imaxcontour = -1; //代表最大轮廓的大小
        std::vector<std::vector<Point>>contours;    
        findContours(src,contours,CV_RETR_LIST,CV_CHAIN_APPROX_SIMPLE);
        for (int i=0;i<contours.size();i++){
            int itmp =  contourArea(contours[i]);//这里采用的是轮廓大小
            if (imaxcontour < itmp ){
                imax = i;
                imaxcontour = itmp;
            }
        }
        return contours[imax];
    }
    //寻找并绘制出彩色联通区域
    vector<VP> connection2(Mat src,Mat& draw){    
        draw = Mat::zeros(src.rows,src.cols,CV_8UC3);
        vector<VP>contours;    
        findContours(src.clone(),contours,CV_RETR_LIST,CV_CHAIN_APPROX_SIMPLE);
        //由于给大的区域着色会覆盖小的区域，所以首先进行排序操作
        //冒泡排序，由小到大排序
        VP vptmp;
        for(int i=1;i<contours.size();i++){
            for(int j=contours.size()-1;j>=i;j--){
                if (contourArea(contours[j]) < contourArea(contours[j-1]))
                {
                    vptmp = contours[j-1];
                    contours[j-1] = contours[j];
                    contours[j] = vptmp;
                }
            }
        }
   }

从OpenCV3开始实现专门函数 cv::connectedComponents() 和函数 cv::connectedComponentsWithStats()寻找

int  cv::connectedComponents (
    cv::InputArrayn image,                // input 8-bit single-channel (binary)
    cv::OutputArray labels,               // output label map
    int             connectivity = 8,     // 4- or 8-connected components
    int             ltype        = CV_32S // Output label type (CV_32S or CV_16U)
    );
int  cv::connectedComponentsWithStats (
    cv::InputArrayn image,                // input 8-bit single-channel (binary)
    cv::OutputArray labels,               // output label map
    cv::OutputArray stats,  // Nx5 matrix (CV_32S) of statistics:[x0, y0, width0, height0, area0;... ; x(N-1), y(N-1), width(N-1),height(N-1), area(N-1)]
    cv::OutputArray centroids,            // Nx2 CV_64F matrix of centroids:[ cx0, cy0; ... ; cx(N-1), cy(N-1)]
    int             connectivity = 8,     // 4- or 8-connected components
    int             ltype        = CV_32S // Output label type (CV_32S or CV_16U)
    );