前言：

        當(dāng)我們通過閾值分割提取到圖像中的目標(biāo)物體后，我們就需要通過邊緣檢測來提取目標(biāo)物體的輪廓，使用這兩種方法基本能夠確定物體的邊緣或者前景。接下來，我們通常需要做的是擬合這些邊緣的前景，如擬合出包含前景或者邊緣像素點的最小外包矩形、圓、凸包等幾何形狀，為計算它們的面積或者模板匹配等操作打下堅實的基礎(chǔ)。

一、查找、繪制輪廓

      首先了解一下輪廓的定義。一個輪廓代表一系列的點（像素），這一系列的點構(gòu)成一個有序的點集，所以可以把一個輪廓理解為一個有序的點集。

1.1 findContour()函數(shù)

        在OpenCV中，提供了一個函數(shù)返回或者輸出一個有序的點集或者有序的點集的集合（指多個有序的點集），函數(shù)findContour是從二值圖像中來計算輪廓的，它可以使用Canny()函數(shù)處理的圖像，因為這樣的圖像含有邊緣像素；也可以使用threshold()或者adaptiveThreshold()處理后的圖像，其邊緣隱含在正負(fù)區(qū)域的交界處。這個函數(shù)的聲明如下：

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

其參數(shù)解釋如下：

（1）image：單通道圖像矩陣，可以是灰度圖，但更常用的是二值圖像，一般是經(jīng)過Canny、拉普拉斯等邊緣檢測算子處理過的二值圖像；

（2）contours：vector<vector<Point>>類型，是一個向量，并且是一個雙重向量，向量內(nèi)每個元素保存了一組由連續(xù)的Point點構(gòu)成的點的集合的向量，每一組Point點集就是一個輪廓。有多少輪廓，向量contours就有多少元素。

（3）hierarchy：vector<Vec4i> 類型， Vec4i是Vec<int,4>的別名，即容器內(nèi)每一個元素都是一個包含了4個int型變量的向量，所以從定義上看，hierarchy也是一個向量，向量內(nèi)每個元素保存了一個包含4個int整型的數(shù)組。向量hiararchy內(nèi)的元素和輪廓向量contours內(nèi)的元素是一一對應(yīng)的，向量的容量相同。hierarchy向量內(nèi)每一個元素的4個int型變量——hierarchy[i][0] ~hierarchy[i][3]，分別表示第i個輪廓的后一個輪廓、前一個輪廓、父輪廓、內(nèi)嵌輪廓的索引編號。如果當(dāng)前輪廓沒有對應(yīng)的后一個輪廓、前一個輪廓、父輪廓或內(nèi)嵌輪廓的話，則hierarchy[i][0] ~hierarchy[i][3]的相應(yīng)位被設(shè)置為默認(rèn)值-1。

（4）mode：int類型的，定義輪廓的檢索模式：

取值一：CV_RETR_EXTERNAL只檢測最外圍輪廓，包含在外圍輪廓內(nèi)的內(nèi)圍輪廓被忽略；

取值二：CV_RETR_LIST   檢測所有的輪廓，包括內(nèi)圍、外圍輪廓，但是檢測到的輪廓不建立等級關(guān)系，彼此之間獨立，沒有等級關(guān)系，這就意味著這個檢索模式下不存在父輪廓或內(nèi)嵌輪廓，所以hierarchy向量內(nèi)所有元素的第3、第4個分量都會被置為-1，具體下文會講到；

 取值三：CV_RETR_CCOMP  檢測所有的輪廓，但所有輪廓只建立兩個等級關(guān)系，外圍為頂層，若外圍內(nèi)的內(nèi)圍輪廓還包含了其他的輪廓信息，則內(nèi)圍內(nèi)的所有輪廓均歸屬于頂層；

 取值四：CV_RETR_TREE， 檢測所有輪廓，所有輪廓建立一個等級樹結(jié)構(gòu)。外層輪廓包含內(nèi)層輪廓，內(nèi)層輪廓還可以繼續(xù)包含內(nèi)嵌輪廓。

（5） method：int類型，定義輪廓的近似方法：

取值一：CV_CHAIN_APPROX_NONE 保存物體邊界上所有連續(xù)的輪廓點到contours向量內(nèi)；

取值二：CV_CHAIN_APPROX_SIMPLE 僅保存輪廓的拐點信息，把所有輪廓拐點處的點保存入contours向量內(nèi)，拐點與拐點之間直線段上的信息點不予保留；

取值三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法；

（6） Point：偏移量，所有的輪廓信息相對于原始圖像對應(yīng)點的偏移量，相當(dāng)于在每一個檢測出的輪廓點上加上該偏移量，并且Point還可以是負(fù)值。

注意事項：

顯然，從函數(shù)名可以看出“尋找輪廓”的意思。我們可以通過邊緣檢測算法得到邊緣二值圖或者前景二值圖，二值圖的邊緣像素或者前景像素就可以被看出是由多個輪廓（點集）組成的。函數(shù)findContours的作用就是將二值圖的邊緣像素或者前景像素拆分成多個輪廓，便于分開討論每一個輪廓，其中參數(shù)image代表一張二值圖，contours代表輸出的多個輪廓。對于該函數(shù)的C++API，對一個輪廓的描述用vector<Point>，那么多個輪廓（多個點集）如何表示呢?即參數(shù)contours是什么數(shù)據(jù)結(jié)構(gòu)呢？在C++API中，用vector<vector<Point>>描述多個輪廓，即將多個輪廓存在一個vector中。

1.2 drawContours()函數(shù)

OpenCV中也提供了一個函數(shù)來繪制findContours所找到的多個輪廓，其函數(shù)聲明如下：

void drawContours(InputOutputArray image,
InputArrayOfArrays contours,
int contourIdx,
const Scalar& color,
int thickness = 1,
int lineType = 8,
InputArray hierarchy = noArray(),
 
int maxLevel = INT_MAX,
 
Point offset = Point())

其參數(shù)解釋如下：

    （1）image: 代表輸入的圖像矩陣，將輪廓畫在該圖上；
    （2）contours：是得到的一系列點的集合，代表多個輪廓；
    （3）contourIdx：是一個索引，代表繪制contours中的第幾個輪廓；
    （4） color：被填充的顏色，單色可以設(shè)置為Scalar(255)等；
    （5）thickness: 所畫Contour的線條粗細(xì)，如果該參數(shù)值小于0，則表示填充整個輪廓內(nèi)的區(qū)域；
    （6）lineType： 線的連通性；
    （7）hierarchy：可選層次信息結(jié)構(gòu)，這里面是findContours所的到的基于Contours的層級信息；
    （8）maxLevel： 繪制輪廓的最大等級。如果等級為0，繪制單獨的輪廓。如果為1，繪制輪廓及在其后的相同的級別下輪廓。如果值為2，所有的輪廓。如果等級為2，繪制所有同級輪廓及所有低一級輪廓，諸此種種。如果值為負(fù)數(shù)，函數(shù)不繪制同級輪廓，但會升序繪制直到級別為abs(max_level)-1的子輪廓

    （9）offset：照給出的偏移量移動每一個輪廓點坐標(biāo).當(dāng)輪廓是從某些感興趣區(qū)域(ROI)中提取的然后需要在運算中考慮ROI偏移量時，將會用到這個參數(shù)。

二、 演示代碼

實例步驟

• 轉(zhuǎn)灰度
• canny得到二值圖像
• findcontours尋找輪廓
• drawcontours畫輪廓

我們編寫演示代碼如下：

#include<opencv2\opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
Mat src1, src2,gray_img, dst;
int value = 100;
int max_value = 255;
void demo(int, void*);
int main()
{
 //發(fā)現(xiàn)輪廓--> cvtcolor-->canny得到二值圖像-->findcontours(尋找輪廓)-->drawcontous()
 src1 = imread("C:\\Users\\馬迎偉\\Desktop\\yuan1.jpg");
 //src2 = imread("C:\\Users\\馬迎偉\\Desktop\\heibao1.png");
 if (src1.empty())
 {
 printf("cannot load!!\n");
 system("pause");
 return -1;
 }
 namedWindow("input", CV_WINDOW_AUTOSIZE);
 imshow("input",src1);
 namedWindow("output", CV_WINDOW_AUTOSIZE);
 cvtColor(src1,gray_img,CV_BGR2GRAY);
 createTrackbar("creattrackbar","output",&value,max_value,demo);
 demo(0, 0);
 waitKey(0);
 return 0;
}
void demo(int, void*)
{
 //將圖像表現(xiàn)在src3上
 Mat src3 = Mat::zeros(src1.size(),CV_8UC3);
 vector<vector<Point>>contours;
 vector<Vec4i>hierarchy;
 Canny(gray_img,src2,value,value*2,3,false );
 findContours(src2,contours,RETR_TREE,CHAIN_APPROX_SIMPLE,Point(0,0));
 RNG rng(12345);
 for (size_t i = 0; i < contours.size(); i++)
 {
 Scalar color = Scalar(rng.uniform(0,255),rng.uniform(0,255),rng.uniform(0,255));
 drawContours(src3, contours, i,color,1,LINE_AA,hierarchy,0,Point(0,0));
 }
 imshow("output",src3);
}

以上就是本文的全部內(nèi)容，希望對大家的學(xué)習(xí)有所幫助，也希望大家多多支持我們。