opencv的实用研究--分析轮廓并寻找边界点

轮廓是图像处理中非常常见的。对现实中的图像进行采样、色彩变化、灰度变化之后，能够处理得到的是“轮廓”。它直接地反应你了需要分析对象的边界特征。而对轮廓的分析，实际上也就是对原图像特征的分析。

在Opencv中，已经实现了基础的轮廓算法，但是相比较于比如halcon这样的专业软件，在轮廓处理这块的功能还是比较缺乏的。这里就通过一个具体问题，说明自己的学习研究。不对之处欢迎批评。

P.S这里的轮廓处理相关函数，已经包涵在GOBase中，具体可以到公告中找Github.

一、问题提出

那么如果对于一个简单的图像，比如

已经获得了最大物体的轮廓，比如

  
  //灰度域变化
    threshold(gray,gray,0,255,THRESH_BINARY_INV);
    GaussianBlur(gray,gray,Size(3,3),0,0);
    //寻找和绘制轮廓
    VP bigestContour = FindBigestContour(gray);
    contours.push_back(bigestContour);

由于在opencv里面，轮廓是以

```
 vector<vector<point>>
```

保存的，那么如何获得这个轮廓的四个顶点了？

尝试直接打印轮廓中第一个点，那么的确是左上角

但是不具有通用性，在一些比较复杂的图片上面效果不行,比如

那么也就是说，必须通过特征分析的方法获得已经获得的轮廓中点的特性，而opencv本身没有提供相关功能。

二、直观的解决

现在，对于“左上”和“右下”的两个点，是比较好分析的。因为在所有的包含在轮廓中的点中，他们一个是x,y同时最小的，一个是x,y同时最大的。

比较复杂的是“左下”和"右上"两个点，因为他们的数值不是非常有特征，比较容易产生混淆。这个时候，如果仅仅是通过x,y值来分析，即使是对于简单图像，也很难得到稳定的结果。

int itopleft =65535;
int idownright =0;
Point ptopleft;
Point pdownright;
Point pdownleft;
for(int i=0;i<bigestContour.size();i++){
//左上
if(bigestContour[i].x + bigestContour[i].y <itopleft){
itopleft = bigestContour[i].x + bigestContour[i].y ;
ptopleft = bigestContour[i];
}
//右下
if(bigestContour[i].x+bigestContour[i].y>idownright){
idownright = bigestContour[i].x+bigestContour[i].y;
pdownright = bigestContour[i];
}
}
int idownleft =65534;
//对于左下的点来说，应该是所有y大于左上的点中，x最小的
for(int i=0;i<bigestContour.size();i++){
if(bigestContour[i].y>ptopleft.y){
if(bigestContour[i].x<idownleft){
idownleft = bigestContour[i].x;
pdownleft = bigestContour[i];
}
}
}
//绘制
circle(board,ptopleft,10,Scalar(255),5);
circle(board,pdownright,10,Scalar(255),5);
circle(board,pdownleft,10,Scalar(255),5);

三、利用模型来解决

那么，直观的方法是不稳定的。这个时候，我想到在进行图像处理的时候，有所谓“特征点”的说法。比较常见的比如harris/shift/surf。那么我是否能够通过分析轮廓图像，找到轮廓图像特征点的方法找到我需要的边角了？

编码实现：

///在board上寻找角点
///// Detector parameters  
int blockSize = 2;  
int apertureSize = 3;  
double k = 0.04;  
int thresh = 1;
/// Detecting corners  
board.convertTo(board,CV_32F);
cornerHarris( board,dst,2,3,0.04);
///// Normalizing  
normalize( dst, dst_norm, 0, 255, NORM_MINMAX, CV_32FC1, Mat() );  
convertScaleAbs( dst_norm, dst_norm_scaled );   
///// Drawing a circle around corners  
for( int j = 0; j < dst_norm.rows ; j++ )  { 
        for( int i = 0; i < dst_norm.cols; i++ )  {  
    if( (int) dst_norm.at<float>(j,i) > thresh )  {   
circle( dst_norm_scaled, Point( i, j ), 5,  Scalar(0), 2, 8, 0 );   
circle(src,Point( i, j ), 5,  Scalar(255,0,0), -1, 8, 0 );  
}  
}
}

得到结果

NICE，在图像中已经明显的显示出来了4个边界点，再加上已经有的两个点，得到结果不成问题。

四、问题进一步研究

但是这里其实是用了一个“投机取巧”的方法，那就是使用图像处理的才使用的harris算法来分析轮廓。opencv默认实现的harris速度慢且会内存移除。用在这个简单的例子里面看似可以，但是无法处理现实问题。所以就必须分析原理。

做图像处理有一段时间了，我经常反思回忆，在图像处理中，能够稳定解决问题的，往往依靠的是“先验知识，本质特征”；越是分析逼近图像的本质特征，越能够发现稳定的解决方法。比如对于轮廓的角来说，很容易想到处于边角的点和两边的点肯定具有一定的关系，而这种关系具有特征性。

所以有目的地寻找论文，很快就有了成果：

对于我的研究来说，这篇论文两个贡献：一个是告知首先要对图像进行高斯模糊，这个是我之前没有想到的。特别是对于现实世界中的轮廓，这种方法效果很好。因为边角经过模糊，那么还是边角，但毛刺经过模糊，能够有效去除。

论文中的算法实现是比较简单的，并且给出了简化算法，直接编码验证：

//遍历轮廓，求出所有支撑角度
    int icount = bigestContour.size();
    float fmax = -1;//用于保存局部最大值
    int   imax = -1;
    bool  bstart = false;
    for (int i=0;i<bigestContour.size();i++){
        Point2f pa = (Point2f)bigestContour[(i+icount-7)%icount];
        Point2f pb = (Point2f)bigestContour[(i+icount+7)%icount];
        Point2f pc = (Point2f)bigestContour[i];
        //两支撑点距离
        float fa = getDistance(pa,pb);
        float fb = getDistance(pa,pc)+getDistance(pb,pc);
        float fang = fa/fb;
        float fsharp = 1-fang;
        if (fsharp>0.05){
            bstart = true;
            if (fsharp>fmax){
                fmax = fsharp;
                imax = i;
            }
        }else{
            if (bstart){
                circle(board,bigestContour[imax],10,Scalar(255),1);
                circle(src,bigestContour[imax],10,Scalar(255,255,255),1);
                imax  = -1;
                fmax  = -1;
                bstart = false;
            }
        }
    }

编码过程中，相比较于原文，有两处优化（原文中应该也提到了，但是没有明说）：一是通过取模，使得所有的轮廓点都参与运算；二是通过比较，取出角点的局部最大值。

实现效果，比较理想：

五、小结反思

1、掌握知识，如果不能归纳数学模型，并且编码实现，不叫真正掌握；

2、分析研究，如果从简单的情况开始，控制变量，往往能够左右逢源。