Python实现图片查找轮廓、多边形拟合、最小外接矩形代码

1、概述

经常用到轮廓查找和多边形拟合等opencv操作，因此记录以备后续使用。本文代码中的阈值条件对图片没有实际意义，仅仅是为了测试。

原图为：

2、测试代码：

import cv2
import numpy as np

img = cv2.imread('/home/yasin/coffe.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

_, contours, hierarchy = cv2.findContours(img_gray, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

cv2.drawContours(img, contours, -1, (255, 0, 255), 1)
cv2.namedWindow('Result of drawContours', 0)
cv2.imshow('Result of drawContours', img)
cv2.waitKey()

cnt = 0
for i in range(len(contours)):
arclen = cv2.arcLength(contours[i], True)
epsilon = max(3, int(arclen * 0.02)) # 拟合出的多边形与原轮廓最大距离，可以自己设置，这里根据轮廓周长动态设置
approx = cv2.approxPolyDP(contours[i], epsilon, False) # 轮廓的多边形拟合
area = cv2.contourArea(contours[i]) # 计算面积
rect = cv2.minAreaRect(contours[i])
box = np.int0(cv2.boxPoints(rect)) # 计算最小外接矩形顶点
h = int(rect[1][0])
w = int(rect[1][1])
if min(h, w) == 0:
ration = 0
else:
ration = max(h,w) /min(h,w) # 长宽比

# 对长宽比，轮廓面积，拟合出的多边形顶点数做筛选
if ration < 10 and area > 20 and area < 4000 and approx.shape[0] > 3 :
# 对满足条件的轮廓画出轮廓的拟合多边形
cv2.polylines(img, [approx], True, (0, 255, 0), 1)

cv2.namedWindow('Result of filtered', 0)
cv2.imshow('Result of filtered', img)
cv2.waitKey()

画出的所有轮廓：

在原轮廓基础上画出筛选后的轮廓（绿色部分，没有实际意义）：

补充知识：OpenCV python 轮廓(连通域)最小外接圆形

原图:[cc.jpg]

import cv2
import numpy as np

def main():

# 1.导入图片
 img_src = cv2.imread("cc.jpg")

# 2.灰度化,二值化
 img_gray = cv2.cvtColor(img_src, cv2.COLOR_BGR2GRAY)
 ret, img_bin = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)

# 3.连通域分析
 img_bin, contours, hierarchy = cv2.findContours(img_bin,
                cv2.RETR_LIST,
                cv2.CHAIN_APPROX_SIMPLE)

# 4.获取最小外接圆 圆心 半径
 center, radius = cv2.minEnclosingCircle(contours[0])
 center = np.int0(center)

# 5.绘制最小外接圆
 img_result = img_src.copy()
 cv2.circle(img_result, tuple(center), int(radius), (255, 255, 255), 2)

# 6.显示结果图片
 cv2.imshow("img_src", img_src)
 cv2.imshow("img_result", img_result)

cv2.waitKey()
 cv2.destroyAllWindows()

if __name__ == '__main__':
 main()

处理结果:[img_sult.jpg]

来源：https://blog.csdn.net/zhou4411781/article/details/97632808