如何利用OpenCV寻找轮廓的中心？

§01 寻找轮廓的中心今天在图像处理中需要用到OpenCV的轮廓中心，在 OpenCV center of contour 中看到了给定的方法。将其总结如下，便于以后的应用。形状检测和分析今天我们开启一个新的三联示例程序，用于形状检测和分析。通过这个系列，我们可以：计算边界、形状的中心点；识别不同的形状，比如圆形、方形，举行，三角形，五边形。这些仅仅根据边界的性质就可以进行识别；标示形

卓晴

13822人浏览 · 2022-01-29 09:56:33

卓晴 · 2022-01-29 09:56:33 发布

简介：本文介绍了利用OpenCV和Python编程来计算形状轮廓的中心点。当然后面还会继续给出如何通过轮廓来分辨物体形状种类，以及对于各自的颜色进行标准。

关键词： OpenCV，contours，中心点

§01 寻找轮廓的中心

今天在图像处理中需要用到OpenCV的轮廓中心，在 OpenCV center of contour 中看到了给定的方法。将其总结如下，便于以后的应用。

1.1 形状检测和分析

今天我们开启一个新的三联示例程序，用于形状检测和分析。通过这个系列，我们可以：
1. 计算边界、形状的中心点；
2. 识别不同的形状，比如圆形、方形，举行，三角形，五边形。这些仅仅根据边界的性质就可以进行识别；
3. 标示形状的颜色。

相比于PyImageSearch网文来说，这个话题比较基础，但是为了回应下面我所遇到的提问：

我如何能够使用Python和OpenCV计算边界的中心点？

今天的博文中，我将回答上面的问题。

在这个系列的上一篇博文中，我们基于已经知晓了物体的边界然后来识别图像中的形状。

1.2 利用OpenCV寻找边界中心点

▲ 图1.1.1 下面将要使用到的具有很多不同颜色形状的图片

▲ 图1.1.1 下面将要使用到的具有很多不同颜色形状的图片

在上面的图像中，你可以看到一系列从建筑纸张材料切割下来的不同形状，也注意到他们并不是完美的多边形，也就是长方形并不是严格的长方形，圆形也不是那么的圆。毕竟它们是人徒手绘制出并切割下来的形状，所以包含了不同的变形。

记住这一点，今天的教程的目的是：

检测图片中各种形状的外轮廓；
接着计算所有形状的中心点，也称为区域的中心；

为了实现这个目标，我们需要进行一些图像处理，包括：

将图片转换成灰度图；
进行模糊化来提高轮廓检测精度；
将图像进行二值化；采用经典的边缘检测和阈值处理完成二值化。这里采用阈值处理的方式。
在开始正式编程之前，你需要先保证在你的系统中已经安装了 imutils Python Packages ：

pip install --upgrade imutils

现在我们可以开始编程了。

建立一个新的文件，命名为： center_of_shape.py，下面是相应的代码：

# 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]

2 - 4 行为输入相应的软件包，接着对于命令行参数进行分析。我们只需要单开关量 ---image ，这是给出我们需要处理的图片在磁盘上的路径。

我们将该图像从磁盘上载入到及其内存，使用灰度转换进行预处理。采用5×5尺寸的高斯核完成图像平滑，最后进行阈值处理。

输出的图像如下图所示：

▲ 图1.2.2 将图片进行阈值处理输出二值化的图片，这类形状为白色，背景为黑色

▲ 图1.2.2 将图片进行阈值处理输出二值化的图片，这类形状为白色，背景为黑色

可以注意到，经过阈值处理，各类形状为白色，背景为黑色。

下一步就是找到这些区域的边缘：

# find contours in the thresholded image
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
	cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)

在程序中的20 - 21 行，调用 cv2.findContours 返回形状的轮廓，对应的图片中白色大块区域的边缘。根据所使用的OpenCV的版本不同， 2.4.3,2.3.4 行22 使用恰当的元组参数。你可以在 这个链接 看到关于不同OpenCV版本在 cv2.findContours 函数返回的不同参数。

下面我们开始处理每一个轮廓：

# 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)

程序行 25 是开始一个循环来处理每一个单个轮廓，紧接着程序行27 计算他们的图像矩（ image moments ）。

在计算机视觉和图像处理中，图像矩表征了图像中物体的形状。这些矩给出了形状的基本统计特征，包括物体的面积，中心（也就是物体中心 $\left( {x,y} \right)$ 的坐标位置），方向以及其他的一些可能用到的特性。

这里我们只对轮廓的中心感兴趣，通过程序行 28 - 29 我们计算获得轮廓的中心点。

从程序行 32-34 进行如下的处理：

通过使用 cv2.drawContours 在当前形状周围绘制轮廓；
在形状中心 (cX, cY) 绘制白色圆圈；
在白色圆圈附近输出字符text。

在计算机命令窗口使用下面的命令运行上述Python程序：

$ python center_of_shape.py --image shapes_and_colors.png

下面是显示的运行结果：
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-RBoGbgBA-1643421016158)(https://pyimagesearch.com/wp-content/uploads/2016/01/center_of_contour_results.gif#pic_center =560x )]

▲ 图1.2.3 处理结果