1 圖像的輪廓

輪廓可以簡(jiǎn)單認(rèn)為成將連續(xù)的點(diǎn)（連著邊界）連在一起的曲線，具有相同的顏色或者灰度。輪廓是圖像目標(biāo)的外部特征，這種特征對(duì)于我們進(jìn)行圖像分析，目標(biāo)識(shí)別和理解等更深層次的處理都有很重要的意義。

輪廓提取的基本原理：對(duì)于一幅背景為黑色、目標(biāo)為白色的二值圖像，如果在圖中找到一個(gè)白色點(diǎn)，且它的8鄰域（或4鄰域）也均為白色，則說(shuō)明該點(diǎn)是目標(biāo)的內(nèi)部點(diǎn)，將其置為黑色，視覺上就像內(nèi)部被掏空一樣；否則保持白色不變，該點(diǎn)是目標(biāo)的輪廓點(diǎn)。一般在尋找輪廓之前，都要將圖像進(jìn)行閾值化或Canny邊緣檢測(cè)，轉(zhuǎn)換為二值化圖像。

在這里我們看下邊緣提取和輪廓檢測(cè)的區(qū)別：

邊緣檢測(cè)主要是通過(guò)一些手段檢測(cè)數(shù)字圖像中明暗變化劇烈（即梯度變化比較大）像素點(diǎn)，偏向于圖像中像素點(diǎn)的變化。如canny邊緣檢測(cè)，結(jié)果通常保存在和源圖片一樣尺寸和類型的邊緣圖中。

輪廓檢測(cè)指檢測(cè)圖像中的對(duì)象邊界，更偏向于關(guān)注上層語(yǔ)義對(duì)象。如OpenCV中的findContours()函數(shù)， 它會(huì)得到每一個(gè)輪廓并以點(diǎn)向量方式存儲(chǔ)，除此也得到一個(gè)圖像的拓?fù)湫畔?#xff0c;即一個(gè)輪廓的后一個(gè)輪廓、前一個(gè)輪廓等的索引編號(hào)。

1.1 查找輪廓

在OPenCV中查找輪廓的API:

binary, contours, hierarchy = cv2.findContours(img, mode, method)

參數(shù)：

• img: 輸入圖像，二值圖

• mode: 輪廓的檢索模式，主要有四種方式：

  cv2.RETR_EXTERNAL：只檢測(cè)外輪廓，所有子輪廓被忽略

  cv2.RETR_LIST：檢測(cè)的輪廓不建立等級(jí)關(guān)系，所有輪廓屬于同一等級(jí)

  cv2.RETR_CCOMP：返回所有的輪廓，只建立兩個(gè)等級(jí)的輪廓。一個(gè)對(duì)象的外輪廓為第 1 級(jí)組織結(jié)構(gòu)。而對(duì)象內(nèi)部中空洞的輪廓為 第 2 級(jí)組織結(jié)構(gòu)，空洞中的任何對(duì)象的輪廓又是第 1 級(jí)組織結(jié)構(gòu)。

  cv2.RETR_TREE：返回所有的輪廓，建立一個(gè)完整的組織結(jié)構(gòu)的輪廓。

• method：輪廓的近似方法，主要有以下兩種：

  cv2.CHAIN_APPROX_NONE：存儲(chǔ)所有的輪廓點(diǎn)，相鄰的兩個(gè)點(diǎn)的像素位置差不超過(guò)1。

  cv2.CHAIN_APPROX_SIMPLE：壓縮水平方向，垂直方向，對(duì)角線方向的元素，只保留該方向的終點(diǎn)坐標(biāo)，例如一個(gè)矩形輪廓只需4個(gè)點(diǎn)來(lái)保存輪廓信息。
  

返回：

• binary: 返回的二值圖像

• contours: 檢測(cè)出的輪廓，所有輪廓的列表結(jié)構(gòu)，每個(gè)輪廓是目標(biāo)對(duì)象邊界點(diǎn)的坐標(biāo)的數(shù)組

• hierarchy：輪廓的層次結(jié)構(gòu)。

  在檢測(cè)輪廓時(shí)：有時(shí)對(duì)象可能位于不同的位置，也有可能一個(gè)形狀在另外一個(gè)形狀的內(nèi)部，這種情況下我們稱外部的形狀為父，內(nèi)部的形狀為子。
  按照這種方式分類，一幅圖像中的所有輪廓之間就建立父子關(guān)系。這樣我們就可以確定一個(gè)輪廓與其他輪廓是怎樣連接的，比如它是不是某個(gè)輪廓的子輪廓，或者是父輪廓。這種關(guān)系就是輪廓的層次關(guān)系。
  

  在這幅圖像中，我給這幾個(gè)形狀編號(hào)為 0-5。2 和 2a 分別代表最外邊矩形的外輪廓和內(nèi)輪廓。

  在這里邊輪廓 0，1，2 在外部或最外邊。我們可以稱他們?yōu)?0 級(jí)，簡(jiǎn)單來(lái)說(shuō)就是他們屬于同一級(jí)，接下來(lái)輪廓 2a，把它當(dāng)成輪廓 2 的子輪廓。它就成為第 1 級(jí)。輪廓 3 是輪廓 2a 的子輪廓，成為第 3 級(jí)。輪廓 3a 是輪廓 3 的子輪廓，成為第 4 級(jí),最后輪廓 4,5 是輪廓 3a 的子輪廓，成為5級(jí)，這樣我們就構(gòu)建的輪廓的層級(jí)關(guān)系。

  我們?cè)倩氐椒祷刂抵?#xff0c;不管層次結(jié)構(gòu)是什么樣的， 每一個(gè)輪廓都包含自己的信息。hierarchy使用包含四個(gè)元素的數(shù)組來(lái)表示：

  [Next，Previous， First_Child，Parent]。

  其中：

  Next?表示同一級(jí)組織結(jié)構(gòu)中的下一個(gè)輪廓，

  以上圖中的輪廓 0 為例，輪廓 1 就是他的 Next。同樣，輪廓 1 的 Next 是 2，Next=2。 那輪廓 2 呢？在同一級(jí)沒有 Next。這時(shí) Next=-1。而輪廓 4 的 Next 為 5，所以它的 Next=5。

  Previous?表示同一級(jí)結(jié)構(gòu)中的前一個(gè)輪廓。

  輪廓 1 的 Previous 為輪廓 0，輪廓 2 的 Previous 為輪 廓 1。輪廓 0 沒有 Previous，所以 Previous=-1。

  First_Child?表示它的第一個(gè)子輪廓。

  輪廓 2 的子輪廓為 2a。 所以它的 First_Child 為 2a。那輪廓 3a 呢？它有兩個(gè)子輪廓。但是我們只要第一個(gè)子輪廓，所以是輪 廓 4（按照從上往下，從左往右的順序排序）。

  Parent?表示它的父輪廓。

  與 First_Child 剛好相反。輪廓 4 和 5 的父輪廓是輪廓 3a。而輪廓 3a 的父輪廓是 3。

  注意：如果輪廓沒有父輪廓或子輪廓時(shí)，則將其置為-1。

1.2 繪制輪廓

我們查找到圖像中的輪廓后，怎么將他繪制在圖像上呢？

cv2.drawContours(img, contours, index, color, width)

參數(shù)：

• img: 輪廓檢測(cè)的原圖像
• contours: 檢測(cè)出的輪廓。
• Index: 輪廓的索引，繪制單個(gè)輪廓時(shí)指定其索引，繪制全部的輪廓時(shí)設(shè)為-1即可。
• color:繪制時(shí)輪廓的顏色
• width: 繪制時(shí)輪廓的顏色線型的寬度。

示例：

在北京市的圖片上進(jìn)行輪廓檢測(cè)，如下圖所示：

import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 圖像讀取 img = cv.imread('beijing.jpg') imgray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) # 2 邊緣檢測(cè) canny = cv.Canny(imgray,127,255,0) # 3 輪廓提取 image, contours, hierarchy = cv.findContours(canny,cv.RETR_TREE,cv.CHAIN_APPROX_NONE) # 4 將輪廓繪制在圖像上 img = cv.drawContours(img, contours, -1, (0,0,255), 2) # 5 圖像顯示 plt.imshow(img[:,:,::-1]) plt.xticks([]), plt.yticks([]) plt.show()

檢測(cè)結(jié)果如下圖所示：

2 輪廓的特征

在提取了圖像的輪廓后，可以計(jì)算輪廓的不同特征，我們現(xiàn)在主要看下：輪廓的面積，周長(zhǎng)，邊界框等。

2.1 輪廓面積

輪廓面積是輪廓所包圍的區(qū)域的面積，在OpenCV中使用的API是：

area = cv.contourArea(cnt)

2.2 輪廓周長(zhǎng)

輪廓周長(zhǎng)也被成為弧長(zhǎng)，在OpenCV中使用的API是：

perimeter = cv2.arcLength(cnt,isclosed)

參數(shù)：

• Isclosed: 指定輪廓的形狀是閉合的（True），還是開放的。

2.3 輪廓近似

輪廓近似是將輪廓形狀近似為到另外一種由更少點(diǎn)組成的輪廓形狀，新輪廓的點(diǎn)的數(shù)目由我們?cè)O(shè)定的準(zhǔn)確度來(lái)決定。

假設(shè)我們要在一幅圖像中查找一個(gè)矩形，然而這個(gè)圖凹凸不平，直接提取輪廓無(wú)法提取到一個(gè)完美的矩形。因此我們就可以使用輪廓近似函數(shù)來(lái)近似這個(gè)形狀了。

?在OpenCV中使用的API是:

approx = cv.approxPolyDP(cnt,epsilon,isclosed)

參數(shù)：

• cnt: 要進(jìn)行輪廓近似的原始輪廓
• epsilon:從原始輪廓到近似輪廓的最大距離，是一個(gè)準(zhǔn)確度參數(shù)，該參數(shù)對(duì)調(diào)整后的結(jié)果很重要。
• Isclosed: 指定輪廓是否閉合

返回：

• approx: 返回的點(diǎn)集，繪制時(shí)將其連接起來(lái)繪制最終的近似輪廓。

示例：

import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 圖像讀取 img = cv.imread('rec.png') imgray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) # 2 轉(zhuǎn)換為二值圖 ret,thresh = cv.threshold(imgray,127,255,0) # 3 輪廓提取 image, contours, hierarchy = cv.findContours(thresh,cv.RETR_LIST,cv.CHAIN_APPROX_NONE) # 4 輪廓近似 epsilon = 0.1*cv.arcLength(contours[0],True) approx = cv.approxPolyDP(contours[0],epsilon,True) # 5 將輪廓繪制在圖像上 # 5.1 原始輪廓 img1 = cv.drawContours(img, contours, -1, (0,0,255), 2) # 5.2 輪廓近似后的結(jié)果 img2 = cv.polylines(img, [approx], True, (0, 0, 255), 2)# 6 圖像顯示 plt.figure(figsize=(10,8),dpi=100) plt.subplot(121),plt.imshow(img[:,:,::-1]),plt.title('輪廓檢測(cè)結(jié)果') plt.xticks([]), plt.yticks([]) plt.subplot(122),plt.imshow(img[:,:,::-1]),plt.title('輪廓近似后結(jié)果') plt.xticks([]), plt.yticks([]) plt.show()

?

2.4 凸包

凸包是計(jì)算機(jī)幾何圖形學(xué)中的概念，簡(jiǎn)單來(lái)說(shuō)，給定二維平面點(diǎn)集，凸包就是將最外層的點(diǎn)連接起來(lái)構(gòu)成的凸多邊形，他能夠包含物體中所有的點(diǎn)。物體的凸包常應(yīng)用在物體識(shí)別，手勢(shì)識(shí)別及邊界檢測(cè)等領(lǐng)域。

在OpenCV中檢測(cè)凸包的API是：

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

參數(shù)：

• points: 傳入的輪廓
• clockwise: 方向標(biāo)志。如果設(shè)置為 True，輸出的凸包是順時(shí)針方向的。 否則為逆時(shí)針方向
• returnPoints 默認(rèn)值為 True。它會(huì)返回凸包上點(diǎn)的坐標(biāo)。 如果設(shè)置 為 False，就會(huì)返回與凸包點(diǎn)對(duì)應(yīng)的輪廓上的點(diǎn)的索引。

返回：

• hull: 輸出的凸包結(jié)果

示例：

我們檢測(cè)一個(gè)五角星的凸包結(jié)果，代碼如下：

import cv2 import cv2 as cv import matplotlib.pyplot as plt# 1 圖像讀取 img = cv.imread('img/p1.png') img1 = img.copy() imgray = cv.cvtColor(img, cv2.COLOR_BGR2GRAY) # 2 邊緣檢測(cè) canny = cv.Canny(imgray, 127, 255, 0) # 3 輪廓提取 image, contours, hierarchy = cv.findContours(canny, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE) # 4 將輪廓繪制在圖像上 img = cv.drawContours(img, contours, 1, (255, 0, 0), 2)# 5 凸包檢測(cè) hulls = [] for cnt in contours:# 尋找凸包使用cv2.convexHull(contour)hull = cv.convexHull(cnt)hulls.append(hull) draw_hulls = cv.drawContours(img1, hulls, -1, (0, 255, 0), 2)# 5 圖像顯示 plt.figure(figsize=(10, 8), dpi=100) plt.subplot(121), plt.imshow(img[:, :, ::-1]), plt.title('輪廓檢測(cè)結(jié)果') plt.xticks([]), plt.yticks([]) plt.subplot(122), plt.imshow(draw_hulls[:, :, ::-1]), plt.title('凸包結(jié)果') plt.xticks([]), plt.yticks([]) plt.show()

檢測(cè)結(jié)果：?

2.5 邊界矩形

輪廓檢測(cè)中的邊界矩形有兩種，一種是直邊界矩形，一種是旋轉(zhuǎn)邊界矩形，分別介紹如下：

直邊界矩形?：一個(gè)直矩形，沒有進(jìn)行旋轉(zhuǎn)。它不會(huì)考慮對(duì)象是否旋轉(zhuǎn)，所以該邊界矩形的面積不是最小的。可以使用函數(shù)cv2.boundingRect()查找得到的。

x,y,w,h = cv2.boundingRect(cnt)img = cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),2)

返回值中，(x,y)是矩陣左上角的坐標(biāo)，(w,h)是舉行的寬和高。

旋轉(zhuǎn)邊角矩形?:這個(gè)邊界矩形是面積最小的，他考慮了對(duì)象的旋轉(zhuǎn)。用函數(shù)cv2.minAreaRect(),返回的是一個(gè)Box2D結(jié)構(gòu)，其中包含矩形左上角角點(diǎn)的坐標(biāo)(x,y)，以及矩形的寬和高(w,h)，以及旋轉(zhuǎn)角度。但是要繪制這個(gè)矩形需要矩形的4個(gè)角點(diǎn)。可以通過(guò)函數(shù)cv2.boxPoints()獲得。

s = cv2.minAreaRect(cnt) a = cv2.boxPoints(s) a = np.int0(a)#必須轉(zhuǎn)換a的類型為int型 cv2.polylines(im,[a],True,(0,0,255),3)

示例：

我們找到以下圖形的邊界矩形：

?代碼如下：

import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 圖像讀取 img = cv.imread('./image/arrows.jpg') imgray = cv.cvtColor(img,cv2.COLOR_BGR2GRAY) # 2 轉(zhuǎn)換為二值圖 ret,thresh = cv2.threshold(imgray,127,255,0) # 3 輪廓提取 image, contours, hierarchy = cv.findContours(thresh,1,2) # 4 將輪廓繪制在圖像上 #img = cv.drawContours(img, contours, 1, (0,0,255), 2) cnt = contours[1] # 5 邊界矩形 # 5.1 直邊界矩形 x,y,w,h = cv.boundingRect(cnt) img = cv.rectangle(img,(x,y),(x+w,y+h),(0,255,0),3) # 5.2 旋轉(zhuǎn)邊界矩形結(jié)果 s = cv.minAreaRect(cnt) a = cv.boxPoints(s) a = np.int0(a)#轉(zhuǎn)換a的類型為int型 cv.polylines(img,[a],True,(0,0,255),3)# 5 圖像顯示 plt.figure(figsize=(10,8),dpi=100) plt.imshow(img[:,:,::-1]),plt.title('矩形結(jié)果') plt.xticks([]), plt.yticks([]) plt.show()

檢測(cè)結(jié)果如下所示：其中紅色的是旋轉(zhuǎn)邊界矩形的結(jié)果，綠色的為直邊界矩形的結(jié)果

2.6 最小外接圓

最小外接圓是對(duì)象的外切圓，它是所有包含目標(biāo)對(duì)象的圓中面積最小的一個(gè)，我們使用函數(shù)cv2.minEnclosingCircle()獲取最小外接圓。

將上述案例中的邊界矩形的代碼改為如下所示，即可檢測(cè)對(duì)象的最小外接圓

(x,y),radius = cv2.minEnclosingCircle(cnt) center = (int(x),int(y)) radius = int(radius) img = cv2.circle(img,center,radius,(0,255,0),2)

檢測(cè)結(jié)果如下所示：?

2.7 橢圓擬合

橢圓擬合法的基本思路是：對(duì)于給定平面上的一組樣本點(diǎn)，尋找一個(gè)橢圓，使其盡可能接近這些樣本點(diǎn)。也就是說(shuō)，將圖像中的一組數(shù)據(jù)以橢圓方程為模型進(jìn)行擬合，使某一橢圓方程盡量滿足這些數(shù)據(jù)，并求出該橢圓方程的各個(gè)參數(shù)。

就橢圓擬合而言，就是先假設(shè)橢圓參數(shù)，得到每個(gè)待擬合點(diǎn)到該橢圓的距離之和，也就是點(diǎn)到假設(shè)橢圓的誤差，求出使這個(gè)和最小的參數(shù)。

在OPenCV中我們使用cv2.ellipse()來(lái)進(jìn)行橢圓擬合，將邊界矩形中的代碼改為如下所示，就可得到橢圓擬合的結(jié)果：

ellipse = cv.fitEllipse(cnt) img = cv.ellipse(img,ellipse,(0,255,0),2)

結(jié)果如下所示：?

2.8 直線擬合

直線擬合就是將圖像中的對(duì)象擬合成一條直線過(guò)程，在OPenCV中擬合直線的API是：

output = cv2.fitLine(points, distType, param, reps, aeps)

參數(shù)：

• points: 待擬合直線的點(diǎn)的集合，可以是檢測(cè)處理輪廓結(jié)果

• distype: 距離公式，在進(jìn)行擬合是，要使輸入點(diǎn)到擬合直線的距離之和最小，常用的用以下幾種：

  cv2.DIST_L1: 曼哈頓距離

  cv2.DIST_L2: 歐式距離

  cv2.DIST_C:切比雪夫距離

• param: 距離參數(shù)，可以設(shè)為0

• Reps,aeps:用于表示擬合曲線所需要的徑向和角度精度，通常設(shè)為0.01

返回：

• output: [vx,vy,x,y]的1*4 的數(shù)組，前兩個(gè)表示直線的方向，即vy/vx表示斜率，后兩位表示直線上的一個(gè)點(diǎn)。

將邊界矩形中的代碼改為如下示，即可進(jìn)行直線擬合：

rows,cols = img.shape[:2] [vx,vy,x,y] = cv.fitLine(cnt, cv2.DIST_L2,0,0.01,0.01) lefty = int((-x*vy/vx) + y) righty = int(((cols-x)*vy/vx)+y) im = cv.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)

3 圖像的矩特征

矩函數(shù)在圖像分析中有著廣泛的應(yīng)用，如模式識(shí)別、目標(biāo)分類、目標(biāo)識(shí)別與方位估計(jì)、圖像的編碼與重構(gòu)等。從一幅圖像計(jì)算出來(lái)的矩集，不僅可以描述圖像形狀的全局特征，而且可以提供大量關(guān)于該圖像不同的幾何特征信息，如大小，位置、方向和形狀等。

3.1 矩的概念

矩是概率與統(tǒng)計(jì)中的一個(gè)概念，是隨機(jī)變量的一種數(shù)字特征。矩的定義如下：

設(shè)𝑋為隨機(jī)變量，𝑐為常數(shù)，𝑘為正整數(shù)。則量?稱為𝑋關(guān)于𝑐點(diǎn)的𝑘階矩。

比較重要的有兩種情況：

????

其中，一階原點(diǎn)矩就是期望。一階中心矩μ1=0，二階中心矩𝜇2就是𝑋的方差𝑉𝑎𝑟(𝑋)。在統(tǒng)計(jì)學(xué)上，高于4階的矩極少使用。𝜇3可以去衡量分布是否有偏。𝜇4可以去衡量分布（密度）在均值附近的陡峭程度如何。

3.2 圖像中的矩特征

對(duì)于一幅圖像，我們把像素的坐標(biāo)看成是一個(gè)二維隨機(jī)變量(𝑋,𝑌)，那么一幅灰度圖像可以用二維灰度密度函數(shù)來(lái)表示，因此可以用矩來(lái)描述灰度圖像的特征。

空間矩/幾何矩

空間矩的實(shí)質(zhì)是圖像的質(zhì)量。計(jì)算公式如下所示：

其中，p和q指空間矩的階數(shù)，I(x,y)是對(duì)應(yīng)位置的灰度值。

可以通過(guò)一階矩和0階矩計(jì)算圖像的重心：

中心矩

中心矩體現(xiàn)的是圖像強(qiáng)度的最大和最小方向，具有平移不變性，計(jì)算方法如下式所示：

歸一化的中心矩

????????歸一化的中心矩具有尺度不變性和平移不變性，計(jì)算方法如下示：

Hu矩

Hu矩是由Hu在1962年提出的，具有平移、旋轉(zhuǎn)和尺度不變性，Hu利用二階和三階中心矩構(gòu)建了七個(gè)不變矩，具體定義如下：

在OpenCV中有直接計(jì)算圖像矩的API，分為兩個(gè)函數(shù)：moments()函數(shù)用于計(jì)算中心矩，HuMoments函數(shù)用于由中心矩計(jì)算Hu矩。

moments(array, binaryImage=false )

參數(shù)：

• array:輸入數(shù)組，也可以是灰度圖像，也可以是二維數(shù)組，例如提取的輪廓結(jié)果。
• BinaryImage:默認(rèn)是false，若為True，則所有非零的像素都會(huì)按值1對(duì)待，也就是說(shuō)相當(dāng)于對(duì)圖像進(jìn)行了二值化處理，閾值為1，此參數(shù)僅對(duì)圖像有效。

返回：

• moment: 返回?cái)?shù)組的中心矩

計(jì)算Hu矩時(shí)，將中心距輸入即可。

示例：

計(jì)算上一章節(jié)中箭頭的矩特征，代碼如下所示：

import numpy as np import cv2 as cv import matplotlib.pyplot as plt # 1 圖像讀取 img = cv.imread('./image/arrows.jpg') imgray = cv.cvtColor(img,cv.COLOR_BGR2GRAY) # 2 計(jì)算圖像的Hu矩 imgmn = cv.moments(imgray) imghu = cv.HuMoments(imgmn) print("圖像Hu矩結(jié)果：\n",imghu) # 3 計(jì)算輪廓的Hu矩 # 3.1 轉(zhuǎn)換為二值圖 ret,thresh = cv.threshold(imgray,127,255,0) # 3.2 輪廓提取 image, contours, hierarchy = cv.findContours(thresh,1,2) # 3.3 計(jì)算輪廓的Hu矩 cnt = contours[1] mn = cv.moments(cnt) hu = cv.HuMoments(mn) print("Hu矩結(jié)果：\n",hu)

矩特征結(jié)果：?
?

?Hu矩常常作為描述圖像的特征，訓(xùn)練分類器，來(lái)進(jìn)行目標(biāo)識(shí)別。

---

總結(jié)

圖像的輪廓

輪廓是圖像目標(biāo)的外部特征，是具有相同的顏色或者灰度的連續(xù)點(diǎn)連成的曲線。

查找輪廓：cv.findContours()

注意：輪廓的檢索方式，近似方式以及輪廓的層次

繪制輪廓：cv.drawContours()

輪廓的特征

面積：ContourArea()

周長(zhǎng)：ArcLength()

輪廓近似：approxPolyDP() 逼近圖像的多邊形曲線

凸包：ConvexHull()

邊界矩形：BoundingRect()和MinAreaRect()

最小外接圓：MinEnclosingCircle()

橢圓擬合：fitEllipse()

直線擬合：fitline()

圖像的矩特征

矩是統(tǒng)計(jì)與概率中的概念

在圖像中的應(yīng)用：空間矩，中心矩，Hu矩

API： moments()

HuMoments()

總結(jié)

以上是生活随笔為你收集整理的OpenCV_11 轮廓检测：图像的轮廓+绘制轮廓+轮廓近似+边界矩形+椭圆拟合+直线拟合的全部?jī)?nèi)容，希望文章能夠幫你解決所遇到的問(wèn)題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。