opencv-python计算形心

今天，我们将开始由3部分构成的形状检测分析系列教程。

通过此系列教程，我们将学到如何：

1. 计算轮廓/形状的中心；
2. 仅使用轮廓特征识别出不同的形状，如：圆、正方形、长方形、三角形和五角形。
3. 标记形状颜色

尽管今天的内容比较基础(相对于最近 PyImageSearch 博客讨论的更加高级的概念来说)，但是也经常有人问我下边这个问题：

如何用 Python 和 OpenCV 计算轮廓的中心？

在今天的教程中，我将会回答这个问题。

在以后的教程中，我们将在轮廓知识的基础上进行图像的形状识别。

使用 OpenCV 计算轮廓中心

图1:包含不同形状的待计算轮廓中心的示例图像

从上图中，你能看见几种不同的由图画纸裁出的形状。注意，这些形状并不完美——矩形不够方，圆形不够圆。它们都是先经手工描画然后再裁出来的，这意味着每种形状都存在着偏差。

明确了这一点之后，今天教程的目标是：（1）检测出图像中的每一种形状的轮廓（2）计算轮廓的中心——也叫形心。

为了达成以上目标，我们需要对图像进行以下预处理：

• 转换成灰度图；
• 滤波以减少高频噪声，使轮廓检测更加精确；
• 图像二值化。边缘检测和阈值化经常被用于此过程，本教程采用阈值化。

开始写代码之前，请确保你的系统已经安装了 imutils Python 包[ 译注：该包为作者开发的一系列用 OpenCV 执行基本图像处理操作的简便函数]。

Shell

1	$ pip install imutils

让我们继续！

新建一个文件，命名为 center_of_shape.py，然后开始写代码吧：

Python

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17

# import the necessary packages import argparse import imutils import cv2   # construct the argument parse and parse the arguments ap = argparse . ArgumentParser ( ) ap . add_argument ( "-i" , "--image" , required = True ,      help = "path to the input image" ) args = vars ( ap . parse_args ( ) )   # load the image, convert it to grayscale, blur it slightly, # and threshold it image = cv2 . imread ( args [ "image" ] ) gray = cv2 . cvtColor ( image , cv2 . COLOR_BGR2GRAY ) blurred = cv2 . GaussianBlur ( gray , ( 5 , 5 ) , 0 ) thresh = cv2 . threshold ( blurred , 60 , 255 , cv2 . THRESH_BINARY ) [ 1 ]

第2-4行代码导入必需的包，第7-10行代码解析命令行参数。此处只需要一个 --image 参数: 磁盘中待处理图像的路径。

随后程序从磁盘加载图像，然后进行预处理，执行灰度变换，5×5 内核的高斯平滑，最后阈值化（14-17行）。

阈值化操作后的输出如下图所示

图2:图像阈值化返回二值图像，其中形状被表示为黑色背景上的白块

注意阈值化后形状被表示成黑色背景上的白色前景。

下一步是使用轮廓检测去定位这些白色区域。

Python

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

# import the necessary packages import argparse import imutils import cv2   # construct the argument parse and parse the arguments ap = argparse . ArgumentParser ( ) ap . add_argument ( "-i" , "--image" , required = True , help = "path to the input image" ) args = vars ( ap . parse_args ( ) )   # load the image, convert it to grayscale, blur it slightly, # and threshold it image = cv2 . imread ( args [ "image" ] ) gray = cv2 . cvtColor ( image , cv2 . COLOR_BGR2GRAY ) blurred = cv2 . GaussianBlur ( gray , ( 5 , 5 ) , 0 ) thresh = cv2 . threshold ( blurred , 60 , 255 , cv2 . THRESH_BINARY ) [ 1 ]   # find contours in the thresholded image cnts = cv2 . findContours ( thresh . copy ( ) , cv2 . RETR_EXTERNAL , cv2 . CHAIN_APPROX_SIMPLE ) cnts = cnts [ 0 ] if imutils . is_cv2 ( ) else cnts [ 1 ]

第 20-21 行代码调用 cv2.findContours 函数，该函数返回图像上每一个白块对应的边界点集合（即轮廓）。第22行基于我们使用 OpenCV 2.4 版本还是3.0 版本而取不同的元组值。获取更多 cv2.findContours 函数返回签名在不同 OpenCV 版本间的改变，请移步此文。[译注：OpenCV 2.4 版本的 cv2.findContours 函数返回的是一个二元元组，元组的第一个元素（索引 0）是轮廓列表。而在 OpenCV 3.0 版本中，该函数返回的是一个三元元组，元组的第二个元素（索引 1）才是轮廓列表]

我们已经准备去处理每一条轮廓：

Python

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39

# import the necessary packages import argparse import imutils import cv2   # construct the argument parse and parse the arguments ap = argparse . ArgumentParser ( ) ap . add_argument ( "-i" , "--image" , required = True , help = "path to the input image" ) args = vars ( ap . parse_args ( ) )   # load the image, convert it to grayscale, blur it slightly, # and threshold it image = cv2 . imread ( args [ "image" ] ) gray = cv2 . cvtColor ( image , cv2 . COLOR_BGR2GRAY ) blurred = cv2 . GaussianBlur ( gray , ( 5 , 5 ) , 0 ) thresh = cv2 . threshold ( blurred , 60 , 255 , cv2 . THRESH_BINARY ) [ 1 ]   # find contours in the thresholded image cnts = cv2 . findContours ( thresh . copy ( ) , cv2 . RETR_EXTERNAL , cv2 . CHAIN_APPROX_SIMPLE ) cnts = cnts [ 0 ] if imutils . is_cv2 ( ) else cnts [ 1 ]   # loop over the contours for c in cnts : # compute the center of the contour M = cv2 . moments ( c ) cX = int ( M [ "m10" ] / M [ "m00" ] ) cY = int ( M [ "m01" ] / M [ "m00" ] )   # draw the contour and center of the shape on the image cv2 . drawContours ( image , [ c ] , - 1 , ( 0 , 255 , 0 ) , 2 ) cv2 . circle ( image , ( cX , cY ) , 7 , ( 255 , 255 , 255 ) , - 1 ) cv2 . putText ( image , "center" , ( cX - 20 , cY - 20 ) , cv2 . FONT_HERSHEY_SIMPLEX , 0.5 , ( 255 , 255 , 255 ) , 2 )   # show the image cv2 . imshow ( "Image" , image ) cv2 . waitKey ( 0 )

第25行开始遍历轮廓，然后在第27行计算轮廓区域图像的矩。

在计算机视觉和图像处理领域，图像的矩经常被用来描述图像中某个对象的形状。这些矩描述了形状的基本统计特征，包括对象的面积、形心（即对象的中心坐标 (x, y)）、取向连同其他有用的特征。

我们只对图像的中心感兴趣，所以在第28-29行计算轮廓的中心。

随后，第32-34行完成以下任务：

• 调用 cv2.drawContours 函数绘制包围当前形状的轮廓；
• 在形状的中心 (cX, cY) 处绘制一个白色的小圆；
• 在白色小圆的附近写上文字 center。

要执行脚本，打开终端然后执行以下命令：

Shell

1	$ python center_of_shape .py -- image shapes_and_colors .png

运行结果如下图所示：

图3:分别遍历每一个形状并计算每一个形状的中心 (x, y)。(点击图片有惊醒）

注意每一个形状都被成功地检测到，然后计算出轮廓中心并绘制在图像上。

总结

在这次教程中，我们学习了如何使用 OpenCV 和 Python 去计算轮廓的中心。

此教程是由三部分构成的形状分析系列教程的第一部分。

在下周的教程中，我们将学习如何识别图像中的形状。

然后，在两周以后，我们将学习如何分析每一个形状的颜色并将其标记在形状上（即标记“红”、“绿”、“蓝”等等）。

为了确保这些教程写成的时候您能被通知到，请按照以下形式输入您的邮箱地址！[译注：原博客提供代码下载和邮件提醒功能。戳我访问原文。]