OpenCV成长之路：直线、轮廓的提取与描述

本文是51CTO博客作者Ronny的文章，原文地址。

基于内容的图像分析的重点是提取出图像中具有代表性的特征，而线条、轮廓、块往往是最能体现特征的几个元素，这篇文章就针对于这几个重要的图像特征，研究它们在OpenCV中的用法，以及做一些简单的基础应用。

一、Canny检测轮廓

在 上一篇文章中有提到sobel边缘检测，并重写了soble的C++代码让其与matlab中算法效果一致，而soble边缘检测是基于单一阈值的，我们 不能兼顾到低阈值的丰富边缘和高阈值时的边缘缺失这两个问题。而canny算子则很好的弥补了这一不足，从目前看来，canny边缘检测在做图像轮廓提取 方面是***秀的边缘检测算法。

canny边缘检测采用双阈值值法，高阈值用来检测图像中重要的、显著的线条、轮廓等，而低阈值用来保证不丢失细节部分，低阈值检测出来的边缘更丰富，但是很多边缘并不是我们关心的。***采用一种查找算法，将低阈值中与高阈值的边缘有重叠的线条保留，其他的线条都删除。

本篇文章中不对canny的算法原理作进一步说明，稍后会在图像处理算法相关的文章中详细介绍。

下面我们用OpenCV中的Canny函数来检测图像边缘

int main() 
{ 
    Mat I=imread("../cat.png"); 
    cvtColor(I,I,CV_BGR2GRAY); 
                                                 
    Mat contours; 
    Canny(I,contours,125,350); 
    threshold(contours,contours,128,255,THRESH_BINARY); 
    namedWindow("Canny"); 
    imshow("Canny",contours); 
    waitKey(); 
    return 0; 
} 

显示效果如下:

二、直线检测

直线在图像中出现的频率非常之高，而直线作为图像的特征对于基本内容的图像分析有着很重要的作用，本文通过OpenCV中的hough变换来检测图像中的线条。

我们先看最基本的Hough变换函数HoughLines，它的原型如下：

void HoughLines(InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn=0, double stn=0 ); 

它的输入是一个二值的轮廓图像，往往是边缘检测得到的结果图像；它的输出是一个包含多个Vec2f点的数组，数组中的每个元素是一个二元浮点数据 对<rou,theta>，rou代表直线离坐标原点的距离，theta代表角度。第3和第4个参数代表步长，因为Hough变换实际上是一 个穷举的算法，rho表示距离的步长，theta代表角度的步长。第5个参数是一个阈值设置直接的***投票个数，知道Hough原理的，这个参数应该很容 易理解。

从 这个函数的输出结果我们可以看出，得到的直线并没有指定在图像中的开始点与结束点，需要我们自己去计算，如果我们想把直接显示在图像中就会比较麻烦，而且 会有很多角度接近的直线，其实它们是重复的，为了解决上面这些问题，OpenCV又提供了一个函数HoughLinesP()。它的输出是一个 Vector of Vec4i。Vector每一个元素代表一条直线，是由一个4元浮点数组构成，前两个点一组，后两个点一组，代表了在图像中直线的起始和结束点。

void HoughLinesP(InputArray image, OutputArray lines, double rho, double theta,int threshold, double minLineLength=0, double maxLineGap=0 ); 

解释一下***两个参数，minLineLength指定了检测直线中的最小宽度，如果低于最小宽度则舍弃掉，maxLineGap指定通过同一点的直线，如果距离小于maxLineGap就会进行合并。

下面是一个用HoughLinesP检测直线的例子：

int main() 
{ 
    Mat image=imread("../car.png"); 
    Mat I; 
    cvtColor(image,I,CV_BGR2GRAY); 
                             
    Mat contours; 
    Canny(I,contours,125,350); 
    threshold(contours,contours,128,255,THRESH_BINARY); 
    vector<Vec4i> lines; 
    // 检测直线，最小投票为90，线条不短于50，间隙不小于10 
    HoughLinesP(contours,lines,1,CV_PI/180,80,50,10); 
    drawDetectLines(image,lines,Scalar(0,255,0)); 
    namedWindow("Lines"); 
    imshow("Lines",image); 
    waitKey(); 
    return 0; 
} 

上面程序将检测到的线条保存在lines变量内，我们需要进一步将它们画在图像上：

void drawDetectLines(Mat& image,const vector<Vec4i>& lines,Scalar & color) 
{ 
    // 将检测到的直线在图上画出来 
    vector<Vec4i>::const_iterator it=lines.begin(); 
    while(it!=lines.end()) 
    { 
        Point pt1((*it)[0],(*it)[1]); 
        Point pt2((*it)[2],(*it)[3]); 
        line(image,pt1,pt2,color,2); //  线条宽度设置为2 
        ++it; 
    } 
} 

实 际上Hough变换可以检测很多固定的形状，比如：圆、正方形等。它们的原理基本相同，都是构造一个投票矩阵。OpenCV里提供了检测圆的函数 HoughCircles，它的输出是一个Vector of Vec3i，Vector的每个元素包含了3个浮点数，前2个是圆的中心坐标，***一个是半径。

三、轮廓的提取与描述

在目标识别中我们首先要把感兴趣的目标提取出来，而一般常见的步骤都是通过颜色或纹理提取出目标的前景图（一幅黑白图像，目标以白色显示在图像中），接下来我们要对前景图进行分析进一步地把目标提取出来，而这里常常用到的就是提取目标的轮廓。

OpenCV 里提取目标轮廓的函数是findContours，它的输入图像是一幅二值图像，输出的是每一个连通区域的轮廓点的集 合：vector<vector<Point>>。外层vector的size代表了图像中轮廓的个数，里面vector的 size代表了轮廓上点的个数。下面我们通过实例来看函数的用法。

int main() 
  { 
      using namespace cv; 
             
      Mat image=imread("../shape.png"); 
      cvtColor(image,image,CV_BGR2GRAY); 
     vector<vector<Point>> contours; 
     // find 
     findContours(image,contours,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_NONE); 
    // draw 
     Mat result(image.size(),CV_8U,Scalar(0)); 
     drawContours(result,contours,-1,Scalar(255),2); 
            
     namedWindow("contours"); 
     imshow("contours",result); 
     waitKey(); 
     return 0; 
} 

上面程序中包含了2个函数，***个是查找轮廓函数，它的第三个参数说明查找轮廓的类型，这里我们使用的是外轮廓，还可以查找所有轮廓，即包括一些孔洞的部 分，像图像人物胳膊与腰间形成的轮廓。第4个参数说明了轮廓表示的方法，程序中的参数说明轮廓包括了所有点，也可以用其他参数让有点直线的地方，只保存直 线起始与终点的位置点，具体参数用法可以参考手册里函数的介绍。

第二个函数drawContours是一个画轮廓的函数，它的第3个参数程序里设置-1表示所有的轮廓都画，你也可以指定要画的轮廓的序号。

提取到轮廓后，其实我们更关心的是如果把这些轮廓转换为可以利用的特征，也就是涉及到轮廓的描述问题，这时就有多种方法可以选择，比如矢量化为多边形、矩形、椭圆等。OpenCV里提供了一些这样的函数。

// 轮廓表示为一个矩形 
Rect r = boundingRect(Mat(contours[0])); 
rectangle(result, r, Scalar(255), 2); 
// 轮廓表示为一个圆 
float radius; 
Point2f center; 
minEnclosingCircle(Mat(contours[1]), center, radius); 
circle(result, Point(center), static_cast<int>(radius), Scalar(255), 2); 
// 轮廓表示为一个多边形 
vector<Point> poly; 
approxPolyDP(Mat(contours[2]), poly, 5, true); 
vector<Point>::const_iterator itp = poly.begin(); 
while (itp != (poly.end() - 1)) 
{ 
    line(result, *itp, *(itp + 1), Scalar(255), 2); 
    ++itp; 
} 
line(result, *itp, *(poly.begin()), Scalar(255), 2); 
// 轮廓表示为凸多边形 
vector<Point> hull; 
convexHull(Mat(contours[3]), hull); 
vector<Point>::const_iterator ith = hull.begin(); 
while (ith != (hull.end() - 1)) 
{ 
    line(result, *ith, *(ith + 1), Scalar(255), 2); 
    ++ith; 
} 
line(result, *ith, *(hull.begin()), Scalar(255), 2); 

程序中我们依次画了矩形、圆、多边形和凸多边形。最终效果如下：

对连通区域的分析到此远远没有结束，我们可以进一步计算每一个连通区域的其他属性，比如：重心、中心矩等特征，这些内容以后有机会展开来写。

以 下几个函数可以尝试：minAreaRect：计算一个最小面积的外接矩形，contourArea可以计算轮廓内连通区域的面 积；pointPolygenTest可以用来判断一个点是否在一个多边形内。mathShapes可以比较两个形状的相似性，相当有用的一个函数。