目標
在本文中，我們將學習
如何找到輪廓的不同特徵，例如面積，周長，質心，邊界框等。您將看到大量與輪廓有關的功能。1. 特徵矩
特徵矩可以幫助您計算一些特徵，例如物體的質心，物體的面積等。請查看特徵矩上的維基百科頁面。函數cv.moments()提供了所有計算出的矩值的字典。見下文：
import numpy as npimport cv2 as cvimg = cv.imread('star.jpg',0)ret,thresh = cv.threshold(img,127,255,0)contours,hierarchy = cv.findContours(thresh, 1, 2)cnt = contours[0]M = cv.moments(cnt)print( M )從這一刻起，您可以提取有用的數據，例如面積，質心等。質心由關係給出，$Cx = frac{M{10}}{M{00}}$ 和 $Cy = frac{M{01}}{M{00}}$。可以按照以下步驟進行：
cx = int(M['m10']/M['m00'])cy = int(M['m01']/M['m00'])2. 輪廓面積
輪廓區域由函數cv.contourArea()或從矩M['m00']中給出。
area = cv.contourArea(cnt) 3. 輪廓周長
也稱為弧長。可以使用cv.arcLength()函數找到它。第二個參數指定形狀是閉合輪廓(True)還是曲線。
perimeter = cv.arcLength(cnt,True)4. 輪廓近似
根據我們指定的精度，它可以將輪廓形狀近似為頂點數量較少的其他形狀。它是Douglas-Peucker算法的實現。檢查維基百科頁面上的算法和演示。
為了理解這一點，假設您試圖在圖像中找到一個正方形，但是由於圖像中的某些問題，您沒有得到一個完美的正方形，而是一個「壞形狀」（如下圖所示）。現在，您可以使用此功能來近似形狀。在這種情況下，第二個參數稱為epsilon，它是從輪廓到近似輪廓的最大距離。它是一個精度參數。需要正確選擇epsilon才能獲得正確的輸出。
epsilon = 0.1*cv.arcLength(cnt,True) approx = cv.approxPolyDP(cnt,epsilon,True)下面，在第二張圖片中，綠線顯示了ε=弧長的10％時的近似曲線。第三幅圖顯示了ε=弧長度的1％時的情況。第三個參數指定曲線是否閉合。
5. 輪廓凸包
凸包外觀看起來與輪廓逼近相似，但不相似（在某些情況下兩者可能提供相同的結果）。在這裡，cv.convexHull()函數檢查曲線是否存在凸凹缺陷並對其進行校正。一般而言，凸曲線是始終凸出或至少平坦的曲線。如果在內部凸出，則稱為凸度缺陷。例如，檢查下面的手的圖像。紅線顯示手的凸包。雙向箭頭標記顯示凸度缺陷，這是凸包與輪廓線之間的局部最大偏差。
關於它的語法，有一些需要討論：
hull = cv.convexHull(points[, hull[, clockwise[, returnPoints]] 參數詳細信息：
點是我們傳遞到的輪廓。凸包是輸出，通常我們忽略它。順時針方向：方向標記。如果為True，則輸出凸包為順時針方向。否則，其方向為逆時針方向。returnPoints：默認情況下為True。然後返回凸包的坐標。如果為False，則返回與凸包點相對應的輪廓點的索引。因此，要獲得如上圖所示的凸包，以下內容就足夠了：
hull = cv.convexHull(cnt) 但是，如果要查找凸度缺陷，則需要傳遞returnPoints = False。為了理解它，我們將拍攝上面的矩形圖像。首先，我發現它的輪廓為cnt。現在，我發現它的帶有returnPoints = True的凸包，得到以下值：[[[234 202]]，[[51 202]]，[[51 79]]，[[234 79]]]，它們是四個角 矩形的點。現在，如果對returnPoints = False執行相同的操作，則會得到以下結果：[[129]，[67]，[0]，[142]]。這些是輪廓中相應點的索引。例如，檢查第一個值：cnt [129] = [[234，202]]與第一個結果相同（對於其他結果依此類推）。
當我們討論凸度缺陷時，您將再次看到它。
6. 檢查凸度
cv.isContourConvex()具有檢查曲線是否凸出的功能。它只是返回True還是False。沒什麼大不了的。
k = cv.isContourConvex(cnt) 7. 邊界矩形
有兩種類型的邊界矩形。
7.a.直角矩形
它是一個矩形，不考慮物體的旋轉。所以邊界矩形的面積不是最小的。它是由函數cv.boundingRect()找到的。
令(x，y)為矩形的左上角坐標，而(w，h)為矩形的寬度和高度。
x,y,w,h = cv.boundingRect(cnt)cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)7.b. 旋轉矩形
這裡，邊界矩形是用最小面積繪製的，所以它也考慮了旋轉。使用的函數是cv.minAreaRect()。它返回一個Box2D結構，其中包含以下細節 -(中心(x,y)，(寬度，高度)，旋轉角度)。但要畫出這個矩形，我們需要矩形的四個角。它由函數cv.boxPoints()獲得
rect = cv.minAreaRect(cnt)box = cv.boxPoints(rect)box = np.int0(box)cv.drawContours(img,[box],0,(0,0,255),2)兩個矩形都顯示在一張單獨的圖像中。綠色矩形顯示正常的邊界矩形。紅色矩形是旋轉後的矩形。
8. 最小閉合圈
接下來，使用函數**cv.minEnclosingCircle(*()查找對象的圓周。它是一個以最小面積完全覆蓋物體的圓。
(x,y),radius = cv.minEnclosingCircle(cnt)center = (int(x),int(y))radius = int(radius)cv.circle(img,center,radius,(0,255,0),2)
9. 擬合一個橢圓
下一個是把一個橢圓擬合到一個物體上。它返回內接橢圓的旋轉矩形。
ellipse = cv.fitEllipse(cnt)cv.ellipse(img,ellipse,(0,255,0),2)
10. 擬合直線
同樣，我們可以將一條直線擬合到一組點。下圖包含一組白點。我們可以近似一條直線。
rows,cols = img.shape[:2][vx,vy,x,y] = cv.fitLine(cnt, cv.DIST_L2,0,0.01,0.01)lefty = int((-x*vy/vx) + y)righty = int(((cols-x)*vy/vx)+y)cv.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)