导语

轮廓特征和轮廓匹配是图像处理中用于描述和比较轮廓的技术。通过提取轮廓的形状、面积、周长等特征，并进行比较和匹配，我们可以实现目标识别、形状分析等应用。在本文中，我们将以轮廓特征和轮廓匹配为中心，为你介绍使用 OpenCV 进行轮廓处理的基本步骤和实例。

😃😄 ❤️ ❤️ ❤️ ❤️ ❤️

一、轮廓特征

轮廓特征是指从轮廓中提取的描述性信息，用于对轮廓进行定量分析。以下是一些常见的轮廓特征：

1 面积（ Area ）：表示轮廓包围的区域的面积大小。
2 周长（ Perimeter ）：表示轮廓的边界长度。
3 边界框（ Bounding Box ）：表示能够完全包围轮廓的矩形框。
4 最小外接矩形（ Minimum Enclosing Rectangle ）：表示能够完全包围轮廓的最小矩形框。
5 最小外接圆（ Minimum Enclosing Circle ）：表示能够完全包围轮廓的最小圆。
6 中心点（ Centroid ）：表示轮廓的重心位置。

二、轮廓匹配

轮廓匹配是比较两个轮廓之间的相似度或差异度的技术。通过计算轮廓的形状、面积、周长等特征的差异，并进行比较，我们可以判断轮廓之间的相似性或不相似性。以下是一个使用轮廓匹配的示例代码：

import cv2# 读取参考轮廓图像
reference_contour = cv2.imread('reference_contour.jpg', cv2.IMREAD_GRAYSCALE)# 读取目标轮廓图像
target_contour = cv2.imread('target_contour.jpg', cv2.IMREAD_GRAYSCALE)# 进行边缘检测
_, reference_edges = cv2.threshold(reference_contour, 127, 255, cv2.THRESH_BINARY)
_, target_edges = cv2.threshold(target_contour, 127, 255, cv2.THRESH_BINARY)# 寻找轮廓
reference_contours, _ = cv2.findContours(reference_edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
target_contours, _ = cv2.findContours(target_edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 计算轮廓匹配
match = cv2.matchShapes(reference_contours[0], target_contours[0], cv2.CONTOURS_MATCH_I1)

在上述示例中，我们首先读取参考轮廓图像和目标轮廓图像，并通过边缘检测和轮廓寻找获取轮廓。然后，使用 matchShapes 函数计算轮廓之间的相似度。 CONTOURS_MATCH_I1 参数表示使用 I1 方法进行轮廓匹配。

三、示例应用

现在，我们来看一些常见的示例应用，演示轮廓特征和轮廓匹配的操作：

3.1 目标识别

使用轮廓特征和轮廓匹配可以实现目标识别，通过比较轮廓特征的相似度，判断是否存在目标对象。以下是一个示例代码：

import cv2# 读取参考轮廓图像
reference_contour = cv2.imread('reference_contour.jpg', cv2.IMREAD_GRAYSCALE)# 读取目标图像
target_image = cv2.imread('target_image.jpg')# 进行边缘检测
_, reference_edges = cv2.threshold(reference_contour, 127, 255, cv2.THRESH_BINARY)
_, target_edges = cv2.threshold(target_image, 127, 255, cv2.THRESH_BINARY)# 寻找轮廓
reference_contours, _ = cv2.findContours(reference_edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
target_contours, _ = cv2.findContours(target_edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 计算轮廓匹配
match = cv2.matchShapes(reference_contours[0], target_contours[0], cv2.CONTOURS_MATCH_I1)# 判断目标是否存在
if match < 0.1:print("目标存在！")
else:print("目标不存在！")

这个示例将加载参考轮廓图像和目标图像，并通过边缘检测和轮廓匹配判断目标是否存在。

3.2 形状分析

使用轮廓特征可以进行形状分析，比如判断轮廓的形状类别或测量形状的尺寸。以下是一个示例代码：

import cv2# 读取轮廓图像
contour_image = cv2.imread('contour_image.jpg', cv2.IMREAD_GRAYSCALE)# 进行边缘检测
_, edges = cv2.threshold(contour_image, 127, 255, cv2.THRESH_BINARY)# 寻找轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 计算轮廓特征
for contour in contours:area = cv2.contourArea(contour)  # 计算轮廓面积perimeter = cv2.arcLength(contour, True)  # 计算轮廓周长bounding_rect = cv2.boundingRect(contour)  # 计算轮廓的边界矩形min_enclosing_circle = cv2.minEnclosingCircle(contour)  # 计算包围轮廓的最小圆centroid = (int(min_enclosing_circle[0][0]), int(min_enclosing_circle[0][1]))  # 计算轮廓的质心坐标# 在图像上绘制轮廓特征cv2.drawContours(contour_image, [contour], -1, (0, 255, 0), 2)  # 绘制轮廓线cv2.rectangle(contour_image, bounding_rect, (0, 0, 255), 2)  # 绘制边界矩形cv2.circle(contour_image, centroid, 5, (255, 0, 0), -1)  # 绘制质心圆# 在图像上显示轮廓特征信息cv2.putText(contour_image, f"Area: {area}", (bounding_rect[0], bounding_rect[1] - 10),cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)  # 显示面积信息cv2.putText(contour_image, f"Perimeter: {perimeter}", (bounding_rect[0], bounding_rect[1] + bounding_rect[3] + 20),cv2.FONT_HERSHEY_SIMPLEX, 0.5,(0, 0, 255), 2)  # 显示周长信息# 显示带有轮廓特征的图像
cv2.imshow("Contours", contour_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

这个示例将加载轮廓图像，并通过边缘检测和轮廓特征计算轮廓的面积、周长、边界框、最小外接圆等，并在图像上绘制和显示轮廓特征。

总结

通过本文的介绍，你已经了解了使用 OpenCV 进行轮廓特征提取和轮廓匹配的基本步骤。你学会了使用 findContours 函数寻找轮廓，并通过计算轮廓的形状、面积、周长等特征进行轮廓匹配和形状分析。

轮廓特征和轮廓匹配是图像处理中常用的技术，可以应用于目标识别、形状分析等多个领域。通过提取轮廓特征并比较轮廓之间的相似度，我们可以实现对图像中目标区域的定量分析和比较。

[ 专栏推荐 ]
😃 《视觉探索：OpenCV 基础入门教程》😄
❤️【简介】：Opencv 入门课程适合初学者，旨在介绍 Opencv 库的基础知识和核心功能。课程包括图像读取、显示、保存，图像处理和增强（如滤波、边缘检测、图像变换），特征提取和匹配，目标检测和跟踪等内容。学员将通过学习基本操作和编程技巧，掌握 Opencv 在图像处理和计算机视觉任务中的应用。
在这里插入图片描述