import cv2 as cv

img = cv.imread('../image01/02.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)

{'m00': 4.0, 'm10': 994.0, 'm01': 2708.0, 'm20': 247010.66666666666,
 'm11': 672938.0, 'm02': 1833317.0, 'm30': 61382979.0, 'm21': 167226221.33333334,
 'm12': 455579274.5, 'm03': 1241156963.0, 'mu20': 1.6666666666569654, 'mu11': 0.0,
 'mu02': 1.0, 'mu30': 7.450580596923828e-09, 'mu21': 1.650187186896801e-08, 'mu12': 0.0,
 'mu03': 0.0, 'nu20': 0.10416666666606034, 'nu11': 0.0, 'nu02': 0.0625,
 'nu30': 2.3283064365386963e-10, 'nu21': 5.156834959052503e-10, 'nu12': 0.0, 'nu03': 0.0}

从这一刻起，您可以提取有用的数据，例如面积，质心等。质心由以下关系给出：

$C_x = \\frac{M_{10}}{M_{00}}$

$C_y = \\frac{M_{01}}{M_{00}}$

可以按照以下步骤进行：

cx = int(M['m10'] / M['m00'])
cy = int(M['m01'] / M['m00'])

18.3 轮廓面积

轮廓区域由函数cv.contourArea()或从矩M['m00']中给出。

area = cv.contourArea(cnt)

18.4 轮廓周长

也称为弧长。可以使用cv.arcLength()函数找到它。第二个参数指定形状是闭合轮廓( True )还是曲线。

perimeter = cv.arcLength(cnt,True)

18.5 轮廓近似

根据我们指定的精度，它可以将轮廓形状近似为顶点数量较少的其他形状。它是Douglas-Peucker算法的实现。检查维基百科页面上的算法和演示。

为了理解这一点，假设您试图在图像中找到一个正方形，但是由于图像中的某些问题，您没有得到一个完美的正方形，而是一个“坏形状”（如下图所示）。现在，您可以使用此功能来近似形状。在这种情况下，第二个参数称为epsilon，它是从轮廓到近似轮廓的最大距离。它是一个精度参数。需要正确选择epsilon才能获得正确的输出。

epsilon = 0.1*cv.arcLength(cnt,True)
approx = cv.approxPolyDP(cnt,epsilon,True)

下面，在第二张图片中，绿线显示了ε=弧长的10％时的近似曲线。第三幅图显示了ε=弧长度的1％时的情况。第三个参数指定曲线是否闭合。

18.6 轮廓凸包

凸包外观看起来与轮廓逼近相似，但不相似（在某些情况下两者可能提供相同的结果）。在这里，cv.convexHull()函数检查曲线是否存在凸凹缺陷并对其进行校正。一般而言，凸曲线是始终凸出或至少平坦的曲线。如果在内部凸出，则称为凸度缺陷。例如，检查下面的手的图像。红线显示手的凸包。双向箭头标记显示凸度缺陷，这是凸包与轮廓线之间的局部最大偏差。

关于它的语法，有一些需要讨论：

hull = cv.convexHull(points[, hull[, clockwise[, returnPoints]]

参数详细信息： - 点是我们传递到的轮廓。 - 凸包是输出，通常我们忽略它。 - 顺时针方向：方向标记。如果为True，则输出凸包为顺时针方向。否则，其方向为逆时针方向。 -returnPoints：默认情况下为True。然后返回凸包的坐标。如果为False，则返回与凸包点相对应的轮廓点的索引。

因此，要获得如上图所示的凸包，以下内容就足够了：

hull = cv.convexHull(cnt)

但是，如果要查找凸度缺陷，则需要传递returnPoints = False 。为了理解它，我们将拍摄上面的矩形图像。首先，我发现它的轮廓为cnt 。现在，我发现它的带有returnPoints = True 的凸包，得到以下值： [[[234 202]]，[[51 202]]，[[51 79]]，[[234 79]]] ，它们是四个角矩形的点。现在，如果对returnPoints = False 执行相同的操作，则会得到以下结果： [[129]，[67]，[0]，[142]] 。这些是轮廓中相应点的索引。例如，检查第一个值： cnt [129] = [[234，202]]与第一个结果相同（对于其他结果依此类推）。

当我们讨论凸度缺陷时，您将再次看到它。

18.7 检查凸度

cv.isContourConvex()具有检查曲线是否凸出的功能。它只是返回True还是False。没什么大不了的。

k = cv.isContourConvex(cnt)

18.8 边界矩形

有两种类型的边界矩形。

18.8.1 直角矩形

它是一个矩形，不考虑物体的旋转。所以边界矩形的面积不是最小的。它是由函数cv.boundingRect()找到的。

令(x，y) 为矩形的左上角坐标，而(w，h) 为矩形的宽度和高度。

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

18.8.2 旋转矩形

这里，边界矩形是用最小面积绘制的，所有它也考虑了旋转。使用的函数是cv.minAreaRect()。但是要画出这个矩形，我们需要矩形的四个角。它由函数cv.boxPoints()获得。

rect = cv.minAreaRect(cnt)
box = cv.boxPoints(rect)
box = np.int0(box)
cv.drawContours(img,[box],0,(0,0,255),2)

两个矩形都显示在一张单独的图像中。绿色矩形显示正常的边界矩形。红色矩形是旋转后的矩形。

18.9 最小闭合圈

接下来，使用函数cv.minEnclosingCircle()查找对象的圆周。它是一个以最小面积完全覆盖物体的圆。

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

运行结果如下：

18.10 拟合一个椭圆

下一个是把一个椭圆拟合到一个物体上。它返回内接椭圆的旋转矩形。

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

18.11 拟合直线

同样，我们可以将一条直线拟合到一组点。下图包含一组白点。我们可以近似一条直线。

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)

欢迎评论区留言，一起探讨OpenCV成神之路的奥秘。

顺便给我加个关注，点个赞，加个收藏，让我们一起登上神坛。

以上是关于OpenCV竟然可以这样学！成神之路终将不远（十八）的主要内容，如果未能解决你的问题，请参考以下文章

OpenCV竟然可以这样学！成神之路终将不远（二十八）

OpenCV竟然可以这样学！成神之路终将不远（十八）

OpenCV竟然可以这样学！成神之路终将不远（二十八）

OpenCV竟然可以这样学！成神之路终将不远