前言

逼近多邊形是某個(gè)圖像輪廓的高度近似，而凸包的提出是為了簡(jiǎn)化逼近多邊形的。其實(shí)，凸包跟逼近多邊形很像，只不過(guò)它是物體最外層的“凸”多邊形。

簡(jiǎn)單的概括，凸包是指完全包含原有輪廓，并且僅由輪廓上的點(diǎn)所構(gòu)成的多邊形。凸包的特點(diǎn)是每一處都是凸的，即在凸包內(nèi)連接任意兩點(diǎn)的直線都在凸包的內(nèi)部，并且任意連續(xù)3個(gè)點(diǎn)的內(nèi)角小于180度。

在OpenCV中，它給我們提供cv2.convexHull()來(lái)獲取輪廓的凸包。其完整定義如下：

def convexHull(points, hull=None, clockwise=None, returnPoints=None): 

points：輪廓

hull：返回值，為凸包角點(diǎn)。可以理解為多邊形的點(diǎn)坐標(biāo)，或索引。

clockwise：布爾類型，為True時(shí)，凸包角點(diǎn)將按順時(shí)針?lè)较蚺帕校粸镕alse時(shí)，為逆時(shí)針。

returnPoints：布爾類型，默認(rèn)值True，函數(shù)返回凸包角點(diǎn)的x/y坐標(biāo)；為False時(shí)，函數(shù)返回輪廓中凸包角點(diǎn)的索引。

獲取凸包角點(diǎn)

既然，我們已經(jīng)了解了凸包的作用，并且理解了OpenCV提供的函數(shù)。下面，我們隨便選取一張圖，獲取凸包角點(diǎn)。具體代碼如下所示：

import cv2

img = cv2.imread("24.jpg")

cv2.imshow("img", img)
# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

hull=cv2.convexHull(contours[0])

print(hull)

這里，我們隨便獲取了一張圖像，并獲取其凸包的角點(diǎn)。運(yùn)行之后，角點(diǎn)坐標(biāo)如下：

如果修改參數(shù)returnPoints為False，會(huì)返回對(duì)應(yīng)的6個(gè)索引值。

這里我們?cè)偬砑右恍写a就可以繪制凸包多邊形了，具體添加的代碼如下：

#獲取hull之后
cv2.polylines(img, [hull], True, (0, 255, 0), 2)
cv2.imshow("img1", img)

運(yùn)行之后，效果如下所示：

凸缺陷

凸包與輪廓之間的部分我們稱之為凸缺陷。在OpenCV中使用函數(shù)cv2.convexityDefects()獲取凸缺陷，其完整定義如下：

def convexityDefects(contour, convexhull, convexityDefects=None): 

contour：輪廓

convexhull：凸包

convexityDefects：返回值，為凸缺陷點(diǎn)集。它是一個(gè)數(shù)組，返回的指包括[起點(diǎn)，終點(diǎn)，輪廓上的距離凸包最遠(yuǎn)點(diǎn)，最遠(yuǎn)點(diǎn)到凸包的近似距離]

特別注意，用該函數(shù)計(jì)算凸缺陷之前，我們需要使用函數(shù)cv2.convexHull()獲取凸包，但其參數(shù)returnPoints必須為False。

下面，我們來(lái)使用該函數(shù)計(jì)算上圖的凸缺陷。代碼如下：

import cv2

img = cv2.imread("24.jpg")
cv2.imshow("img", img)

# 轉(zhuǎn)換為灰度圖像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

hull = cv2.convexHull(contours[0], returnPoints=False)

defects = cv2.convexityDefects(contours[0], hull)
print(defects)

for i in range(defects.shape[0]):
    s, e, f, d = defects[i, 0]
    start = tuple(contours[0][s][0])
    end = tuple(contours[0][e][0])
    far = tuple(contours[0][f][0])
    cv2.line(img, start, end, [0, 255, 0], 2)
    cv2.circle(img, far, 5, [0, 0, 255], -1)

cv2.imshow("img1", img)

cv2.waitKey()
cv2.destroyAllWindows()

運(yùn)行之后，效果如下：

如上圖所示，我們用點(diǎn)標(biāo)記出來(lái)的凸缺陷，可以看到五角星的每個(gè)凹肩都是凸缺陷。

最后可以擴(kuò)展以下，其中OpenCV提供函數(shù)cv2.isContourConvex()來(lái)判斷輪廓是否是凸形的。同時(shí)，也提供了cv2.pointPolygonTest()函數(shù)來(lái)計(jì)算點(diǎn)到多邊形（輪廓）的最短距離，也就是垂線距離，這個(gè)計(jì)算由稱為點(diǎn)和多邊形的關(guān)系測(cè)試。感興趣的讀者可以自己實(shí)驗(yàn)這兩個(gè)方函數(shù)。

簡(jiǎn)單例子 手勢(shì)圖片

接下來(lái)，我們將介紹一張稍微難一點(diǎn)的圖片——手勢(shì)圖片（finger.jpg），如下所示：

我們將會(huì)來(lái)尋找這個(gè)手勢(shì)的凸包。基本的處理思路還是和之前的一致，只是要在二值化以及凸包點(diǎn)集集合的大小上做一些處理，取二值化的閾值為235，凸包點(diǎn)集中的點(diǎn)個(gè)數(shù)大于5，完整的Python代碼如下：

import cv2

# 讀取圖片并轉(zhuǎn)至灰度模式
imagepath = 'F://finger.jpg'
img = cv2.imread(imagepath, 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，取閾值為235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)

# 尋找圖像中的輪廓
image, contours, hierarchy = cv2.findContours(thresh, 2, 1)

# 尋找物體的凸包并繪制凸包的輪廓
for cnt in contours:
    hull = cv2.convexHull(cnt)
    length = len(hull)
    # 如果凸包點(diǎn)集中的點(diǎn)個(gè)數(shù)大于5
    if length > 5:
        # 繪制圖像凸包的輪廓
        for i in range(length):
            cv2.line(img, tuple(hull[i][0]), tuple(hull[(i+1)%length][0]), (0,0,255), 2)

cv2.imshow('finger', img)
cv2.waitKey()

檢測(cè)到的凸包如下圖所示：

可以發(fā)現(xiàn)，一共檢測(cè)到2個(gè)凸包，一個(gè)是整個(gè)手勢(shì)外圍的凸包，正好包圍整個(gè)手，另一個(gè)是兩個(gè)手指形成的內(nèi)部的圖形，類似于O的凸包，這符合我們的預(yù)期。

到此這篇關(guān)于OpenCV-Python實(shí)現(xiàn)凸包的獲取的文章就介紹到這了,更多相關(guān)OpenCV-Python 凸包內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！