详细解释opencv python中的 cv.approxPolyDP

在OpenCV Python中，cv.approxPolyDP是一个用于多边形逼近的函数。它使用Douglas-Peucker算法来减少多边形的点数。

该函数需要两个参数：输入多边形和一个表示逼近精度的参数。输入多边形是一个由点组成的数组，而逼近精度是一个用于控制轮廓近似的精度参数。

该函数在输入多边形中保留重要的角度，并删除不必要的顶点，从而减少了生成多边形所需的点数。它可以用于图像处理中的轮廓发现和分析，通过减少多边形点数，可以更容易地检测和识别形状。

下面是一个简单的示例，展示了如何在OpenCV Python中使用cv.approxPolyDP来逼近多边形：

import cv2 as cv import numpy as np # 读取图像 img = cv.imread("polygon.jpg") # 转换为灰度图像 gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY) # 二值化图像 ret, thresh = cv.threshold(gray, 127, 255, cv.THRESH_BINARY) # 找到轮廓 contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE) # 逼近多边形 approx = cv.approxPolyDP(contours[0], 0.01 * cv.arcLength(contours[0], True), True) # 绘制轮廓和逼近多边形 cv.drawContours(img, [contours[0]], 0, (0, 255, 0), 2) cv.drawContours(img, [approx], 0, (255, 0, 0), 2) # 显示图像 cv.imshow("Image", img) cv.waitKey(0) cv.destroyAllWindows()

• 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

在此示例中，我们首先读取图像并将其转换为灰度图像。然后，我们使用cv.threshold将其转换为二值化图像，并使用cv.findContours找到其轮廓。接下来，我们将使用cv.approxPolyDP逼近多边形。最后，我们使用cv.drawContours将原始轮廓和逼近多边形绘制到图像上。

请注意，实际应用中，需要使用适当的值来调整逼近精度参数，以使逼近过程产生最佳结果。

cv.approxPolyDP函数有三个参数，分别是：

• curve：输入多边形的轮廓。
• epsilon：逼近精度参数，表示逼近精度的界限。该参数是一个正数，其值越小则逼近程度越高。通常建议使用轮廓周长的一定比例来计算该参数，常见的比例因子为0.01。
• closed：布尔值参数，表示输出的逼近多边形是否闭合。如果布尔值为True，则输出的多边形是封闭的。如果为False，则只返回线段。

在实际使用时，需要针对具体的应用场景和图像情况来调整epsilon的值，以充分利用其控制逼近精度的功能。

需要注意的是，函数返回值是输出的逼近多边形的点数组形式，可以使用cv.drawContours函数将其绘制到图像上。

cv.approxPolyDP 函数返回的是多边形的顶点坐标数组，可以使用cv.contourArea函数根据这些顶点坐标计算多边形的面积。需要注意的是，cv.contourArea 函数只能用于计算封闭的轮廓的面积，因此需要在调用cv.approxPolyDP 函数时将 closed 参数设为 True，以输出封闭的多边形轮廓。

具体的代码实现方法如下：

# 输入轮廓 contour，逼近精度 epsilon 和封闭参数 closed，返回逼近多边形的面积 def compute_approxPolyDP_area(contour, epsilon, closed=True): # 计算逼近多边形的顶点坐标 approx = cv.approxPolyDP(contour, epsilon, closed) # 计算逼近多边形的面积 area = cv.contourArea(approx) return area

• 1
• 2
• 3
• 4
• 5
• 6
• 7

其中，输入参数 contour 是输入轮廓的顶点坐标数组，epsilon 是逼近精度参数，closed 是封闭参数；输出结果 area 是逼近多边形的面积。

可以使用 OpenCV 中的函数 cv2.minAreaRect 和 cv2.boxPoints 来计算轮廓包围图形的最小矩形框，并得到矩形框的的四个顶点坐标。然后可以使用 Python 矩形操作库 Shapely 来计算矩形和轮廓交集的面积。

具体的步骤如下：

1. 使用 cv2.findContours 函数得到输入轮廓的顶点坐标数组。

# img 为输入图像 contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

• 1
• 2

2. 使用 cv2.minAreaRect 函数计算轮廓包围的最小矩形框及其四个顶点的坐标。

rect = cv2.minAreaRect(contours[0]) # 计算最小矩形框 box = cv2.boxPoints(rect) # 得到矩形框的四个顶点坐标 box = np.int0(box) # 转换为整型

• 1
• 2
• 3

3. 使用 Shapely 库计算矩形和轮廓交集的面积。

from shapely.geometry import Polygon # 计算矩形和轮廓交集的面积 intersection_area = 0 if len(contours) > 0: polygon = Polygon(contours[0].reshape(-1, 2)) rect_polygon = Polygon(box.reshape(-1, 2)) intersection = rect_polygon.intersection(polygon) if intersection.geom_type == 'Polygon': intersection_area = intersection.area

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10

其中，Polygon 函数用于创建一个多边形对象，intersection 函数用于计算两个多边形的交集。最终的 intersection_area 变量即为矩形和轮廓交集的面积。

完整代码如下所示：

import cv2 import numpy as np from shapely.geometry import Polygon # 读取输入图像 img = cv2.imread('input.jpg', 0) # 计算轮廓 contours, hierarchy = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 计算最小矩形框 rect = cv2.minAreaRect(contours[0]) box = cv2.boxPoints(rect) box = np.int0(box) # 计算矩形和轮廓交集的面积 intersection_area = 0 if len(contours) > 0: polygon = Polygon(contours[0].reshape(-1, 2)) rect_polygon = Polygon(box.reshape(-1, 2)) intersection = rect_polygon.intersection(polygon) if intersection.geom_type == 'Polygon': intersection_area = intersection.area # 输出交集面积 print("Intersection area:", intersection_area)

• 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

其中，input.jpg 为输入图像文件名，可以替换为其他图像。

使用 OpenCV 中的函数 cv2.boundingRect 对多边形逼近得到的轮廓进行包围矩形计算时，得到的坐标是最小矩形的左上角坐标和宽度高度。也就是说，boundingRect 得到的矩形框是能够完全覆盖多边形的最小矩形框，而不是包含多边形的最大矩形框。

简单来说，boundingRect 得到的矩形框是能够最小化多边形占用的空间大小的矩形框。实际应用中，boundingRect 函数通常用于求取多边形的包围盒，以便进行后续图形处理、物体识别等操作。