本文是51CTO博客作者Ronny的文章，原文地址。

基于內容的圖像分析的重點是提取出圖像中具有代表性的特征，而線條、輪廓、塊往往是最能體現特征的幾個元素，這篇文章就針對于這幾個重要的圖像特征，研究它們在OpenCV中的用法，以及做一些簡單的基礎應用。

一、Canny檢測輪廓

在 上一篇文章中有提到sobel邊緣檢測，并重寫了soble的C++代碼讓其與matlab中算法效果一致，而soble邊緣檢測是基于單一閾值的，我們 不能兼顧到低閾值的豐富邊緣和高閾值時的邊緣缺失這兩個問題。而canny算子則很好的彌補了這一不足，從目前看來，canny邊緣檢測在做圖像輪廓提取 方面是***秀的邊緣檢測算法。

canny邊緣檢測采用雙閾值值法，高閾值用來檢測圖像中重要的、顯著的線條、輪廓等，而低閾值用來保證不丟失細節部分，低閾值檢測出來的邊緣更豐富，但是很多邊緣并不是我們關心的。***采用一種查找算法，將低閾值中與高閾值的邊緣有重疊的線條保留，其他的線條都刪除。

本篇文章中不對canny的算法原理作進一步說明，稍后會在圖像處理算法相關的文章中詳細介紹。

下面我們用OpenCV中的Canny函數來檢測圖像邊緣

int main() 
{ 
    Mat I=imread("../cat.png"); 
    cvtColor(I,I,CV_BGR2GRAY); 
                                                 
    Mat contours; 
    Canny(I,contours,125,350); 
    threshold(contours,contours,128,255,THRESH_BINARY); 
    namedWindow("Canny"); 
    imshow("Canny",contours); 
    waitKey(); 
    return 0; 
} 

顯示效果如下:

二、直線檢測

直線在圖像中出現的頻率非常之高，而直線作為圖像的特征對于基本內容的圖像分析有著很重要的作用，本文通過OpenCV中的hough變換來檢測圖像中的線條。

我們先看最基本的Hough變換函數HoughLines，它的原型如下：

void HoughLines(InputArray image, OutputArray lines, double rho, double theta, int threshold, double srn=0, double stn=0 ); 

它的輸入是一個二值的輪廓圖像，往往是邊緣檢測得到的結果圖像；它的輸出是一個包含多個Vec2f點的數組，數組中的每個元素是一個二元浮點數據 對<rou,theta>，rou代表直線離坐標原點的距離，theta代表角度。第3和第4個參數代表步長，因為Hough變換實際上是一 個窮舉的算法，rho表示距離的步長，theta代表角度的步長。第5個參數是一個閾值設置直接的***投票個數，知道Hough原理的，這個參數應該很容 易理解。

從 這個函數的輸出結果我們可以看出，得到的直線并沒有指定在圖像中的開始點與結束點，需要我們自己去計算，如果我們想把直接顯示在圖像中就會比較麻煩，而且 會有很多角度接近的直線，其實它們是重復的，為了解決上面這些問題，OpenCV又提供了一個函數HoughLinesP()。它的輸出是一個 Vector of Vec4i。Vector每一個元素代表一條直線，是由一個4元浮點數組構成，前兩個點一組，后兩個點一組，代表了在圖像中直線的起始和結束點。

void HoughLinesP(InputArray image, OutputArray lines, double rho, double theta,int threshold, double minLineLength=0, double maxLineGap=0 ); 

解釋一下***兩個參數，minLineLength指定了檢測直線中的最小寬度，如果低于最小寬度則舍棄掉，maxLineGap指定通過同一點的直線，如果距離小于maxLineGap就會進行合并。

下面是一個用HoughLinesP檢測直線的例子：

int main() 
{ 
    Mat image=imread("../car.png"); 
    Mat I; 
    cvtColor(image,I,CV_BGR2GRAY); 
                             
    Mat contours; 
    Canny(I,contours,125,350); 
    threshold(contours,contours,128,255,THRESH_BINARY); 
    vector<Vec4i> lines; 
    // 檢測直線，最小投票為90，線條不短于50，間隙不小于10 
    HoughLinesP(contours,lines,1,CV_PI/180,80,50,10); 
    drawDetectLines(image,lines,Scalar(0,255,0)); 
    namedWindow("Lines"); 
    imshow("Lines",image); 
    waitKey(); 
    return 0; 
} 

上面程序將檢測到的線條保存在lines變量內，我們需要進一步將它們畫在圖像上：

void drawDetectLines(Mat& image,const vector<Vec4i>& lines,Scalar & color) 
{ 
    // 將檢測到的直線在圖上畫出來 
    vector<Vec4i>::const_iterator it=lines.begin(); 
    while(it!=lines.end()) 
    { 
        Point pt1((*it)[0],(*it)[1]); 
        Point pt2((*it)[2],(*it)[3]); 
        line(image,pt1,pt2,color,2); //  線條寬度設置為2 
        ++it; 
    } 
} 

實 際上Hough變換可以檢測很多固定的形狀，比如：圓、正方形等。它們的原理基本相同，都是構造一個投票矩陣。OpenCV里提供了檢測圓的函數 HoughCircles，它的輸出是一個Vector of Vec3i，Vector的每個元素包含了3個浮點數，前2個是圓的中心坐標，***一個是半徑。

三、輪廓的提取與描述

在目標識別中我們首先要把感興趣的目標提取出來，而一般常見的步驟都是通過顏色或紋理提取出目標的前景圖（一幅黑白圖像，目標以白色顯示在圖像中），接下來我們要對前景圖進行分析進一步地把目標提取出來，而這里常常用到的就是提取目標的輪廓。

OpenCV 里提取目標輪廓的函數是findContours，它的輸入圖像是一幅二值圖像，輸出的是每一個連通區域的輪廓點的集 合：vector<vector<Point>>。外層vector的size代表了圖像中輪廓的個數，里面vector的 size代表了輪廓上點的個數。下面我們通過實例來看函數的用法。

int main() 
  { 
      using namespace cv; 
             
      Mat image=imread("../shape.png"); 
      cvtColor(image,image,CV_BGR2GRAY); 
     vector<vector<Point>> contours; 
     // find 
     findContours(image,contours,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_NONE); 
    // draw 
     Mat result(image.size(),CV_8U,Scalar(0)); 
     drawContours(result,contours,-1,Scalar(255),2); 
            
     namedWindow("contours"); 
     imshow("contours",result); 
     waitKey(); 
     return 0; 
} 

上面程序中包含了2個函數，***個是查找輪廓函數，它的第三個參數說明查找輪廓的類型，這里我們使用的是外輪廓，還可以查找所有輪廓，即包括一些孔洞的部 分，像圖像人物胳膊與腰間形成的輪廓。第4個參數說明了輪廓表示的方法，程序中的參數說明輪廓包括了所有點，也可以用其他參數讓有點直線的地方，只保存直 線起始與終點的位置點，具體參數用法可以參考手冊里函數的介紹。

第二個函數drawContours是一個畫輪廓的函數，它的第3個參數程序里設置-1表示所有的輪廓都畫，你也可以指定要畫的輪廓的序號。

提取到輪廓后，其實我們更關心的是如果把這些輪廓轉換為可以利用的特征，也就是涉及到輪廓的描述問題，這時就有多種方法可以選擇，比如矢量化為多邊形、矩形、橢圓等。OpenCV里提供了一些這樣的函數。

// 輪廓表示為一個矩形 
Rect r = boundingRect(Mat(contours[0])); 
rectangle(result, r, Scalar(255), 2); 
// 輪廓表示為一個圓 
float radius; 
Point2f center; 
minEnclosingCircle(Mat(contours[1]), center, radius); 
circle(result, Point(center), static_cast<int>(radius), Scalar(255), 2); 
// 輪廓表示為一個多邊形 
vector<Point> poly; 
approxPolyDP(Mat(contours[2]), poly, 5, true); 
vector<Point>::const_iterator itp = poly.begin(); 
while (itp != (poly.end() - 1)) 
{ 
    line(result, *itp, *(itp + 1), Scalar(255), 2); 
    ++itp; 
} 
line(result, *itp, *(poly.begin()), Scalar(255), 2); 
// 輪廓表示為凸多邊形 
vector<Point> hull; 
convexHull(Mat(contours[3]), hull); 
vector<Point>::const_iterator ith = hull.begin(); 
while (ith != (hull.end() - 1)) 
{ 
    line(result, *ith, *(ith + 1), Scalar(255), 2); 
    ++ith; 
} 
line(result, *ith, *(hull.begin()), Scalar(255), 2); 

程序中我們依次畫了矩形、圓、多邊形和凸多邊形。最終效果如下：

對連通區域的分析到此遠遠沒有結束，我們可以進一步計算每一個連通區域的其他屬性，比如：重心、中心矩等特征，這些內容以后有機會展開來寫。

以 下幾個函數可以嘗試：minAreaRect：計算一個最小面積的外接矩形，contourArea可以計算輪廓內連通區域的面 積；pointPolygenTest可以用來判斷一個點是否在一個多邊形內。mathShapes可以比較兩個形狀的相似性，相當有用的一個函數。