OpenCV findContours函数边缘近似方法

川长思鸟来 2022-09-28 13:11 205阅读 0赞

在使用OpenCV的过程中，findcontours是相对使用比较多的，在之前的博客中，介绍了`vector<vector<Point> > contours`容器：  
http://blog.csdn.net/chaipp0607/article/details/52858661  
查找轮廓时内轮廓与外轮廓：  
http://blog.csdn.net/chaipp0607/article/details/53765440

再来看下findCountours的函数原型：

CV_EXPORTS_W void findContours(
    InputOutputArray image, 
    OutputArrayOfArrays contours,
    OutputArray hierarchy, 
    int mode,
    int method, 
    Point offset=Point());

其中第五个参数为轮廓的边缘近似方法，说白了就是放在`contours`中的一堆点，到底以一个怎样的方式把轮廓表征出来，定义如下

enum
    {
        CHAIN_APPROX_NONE=CV_CHAIN_APPROX_NONE,
        CHAIN_APPROX_SIMPLE=CV_CHAIN_APPROX_SIMPLE,
        CHAIN_APPROX_TC89_L1=CV_CHAIN_APPROX_TC89_L1,
        CHAIN_APPROX_TC89_KCOS=CV_CHAIN_APPROX_TC89_KCOS
    };

依次为：  
1为能够包围轮廓的所有的点；  
2为压缩水平的、垂直的和斜的部分，也就是，函数只保留他们的终点部分；  
3,4为使用the flavors of Teh-Chin chain近似算法的一种。

我们用一个例子试一下：

#include <iostream>  
    #include <opencv2/core/core.hpp>  
    #include <opencv2/highgui/highgui.hpp>  
    #include <opencv2/ml/ml.hpp>  
    #include <time.h>
    #include<ctime>
    #include <opencv/cv.h> 
    #include <opencv2/opencv.hpp>  
    #include <stdio.h> 
    #include<math.h>
    
    using namespace cv;  
    using namespace std;  
    
    int main()
    {	
    	Mat SrcImage;
    	Mat ResizeImage;
    	Mat grayImage;
    	Mat thresholdImage;
    	Mat  roiimage;
    	Mat  SrcroiImage;
    	SrcImage = imread("2_000_0.bmp");
    	Size dsize = Size(SrcImage.cols*0.2,SrcImage.rows*0.2);
    	resize(SrcImage, ResizeImage,dsize);
    	SrcroiImage = ResizeImage(Rect(ResizeImage.cols/3,ResizeImage.rows/3,ResizeImage.cols/3,ResizeImage.rows/3));
    	cvtColor(SrcroiImage,grayImage,CV_BGR2GRAY);
    	threshold(grayImage,thresholdImage, 0, 255, CV_THRESH_OTSU+CV_THRESH_BINARY);
    	vector<vector<Point> > contours;
    	vector<Vec4i>hierarchy;
    	findContours(thresholdImage,contours,hierarchy,CV_RETR_TREE,CV_CHAIN_APPROX_SIMPLE);  
    	for(int k = 0; k < (int)contours.size(); k++)    //查找轮廓
    	{
    		if (contours.at(k).size()>30&&contours.at(k).size()<50)
    		{
    			drawContours(SrcroiImage, contours, k, Scalar(255,0,0), CV_FILLED);
    		}
    		if (contours.at(k).size()>50)
    		{
    			drawContours(SrcroiImage, contours, k, Scalar(0,255,0), CV_FILLED);
    		}
    	}
    	imshow("兴趣区域二值化",thresholdImage);
    	imshow("兴趣区域原图",SrcroiImage);
    	waitKey(0);
    	getchar();
    	return 0;
    }

这是截取出来的待检测的图像，我们对它进行轮廓查找，验证一下：  
![这里写图片描述][b214205b6b32cf4077c94ec2b2fd3fb1.png]

首先用`CV_CHAIN_APPROX_SIMPLE`的方法，在for循环中，我们把包围轮廓的点个数作为判断条件，个数大于30个且小于50个是，把这个轮廓在原图中涂成蓝色，而大于50时，涂成绿色，运行结果如下：

![这里写图片描述][b9df288d5c5185f23097c3f2a57df23c.png]

**可以看到，中间的兴趣区域的面积明显是要大于右下角的三角形面积的，但是包围它的轮廓的点的个数确要小于三角形的区域，这是因为中间的区域非常接近于矩形，区域规则时只需要很少的点就可以将它描绘出来。**

然后我们将`CV_CHAIN_APPROX_SIMPLE`方法换成`CV_CHAIN_APPROX_NONE`方法，在修改下判断条件：

if (contours.at(k).size()>30&&contours.at(k).size()<100)
    		{
    			drawContours(SrcroiImage, contours, k, Scalar(255,0,0), CV_FILLED);
    		}
    		if (contours.at(k).size()>100)
    		{
    			drawContours(SrcroiImage, contours, k, Scalar(0,255,0), CV_FILLED);
    		}
    		if (contours.at(k).size()>200)
    		{
    			drawContours(SrcroiImage, contours, k, Scalar(0,0,255), CV_FILLED);
    		}

![这里写图片描述][c541a1fab7d93114dd6ab452ef5d2d1b.png]

可以看到，此时的轮廓大小大概是和视觉看上去的面积大小成正比的。  
最后补充一点：  
findcontours函数将二值化后图像白色区域当作前景，黑色部分当做背景。所以找轮廓找到的是白色区域的轮廓。这个函数有一个特点，如果白色区域延伸到了图像边界，那么图像的边界也是被当作轮廓的一部分，这就造成了可能会出现一个很大的外轮廓。

[b214205b6b32cf4077c94ec2b2fd3fb1.png]: /images/20220708/ff21d90576e24e3d9457e1ffeead67a7.png
[b9df288d5c5185f23097c3f2a57df23c.png]: /images/20220708/d685ab0c299e4b0a830967ca20fa7308.png
[c541a1fab7d93114dd6ab452ef5d2d1b.png]: /images/20220708/7f0c583dc6ee46d681167f20613de240.png