整体思路：
1.原图灰度化
2.灰度图截取mask区域
3.mask区域二值化
4.二值化图像运算（开运算）
5.原灰图轮廓提取
6.不规则轮廓校准（外接矩形/内接矩形）
注：代码依次头尾连接哦！
0.第三方库导入
import cv2 as cv
import numpy as np
import imutils
import matplotlib.pyplot as plt
import MightexUSBcameraSDK as Cam
import math
1.原图灰度化
1 img = cv.imread(r"D:\picture\p7.png", cv.COLOR_GRAY2BGR)
2 gray = cv.imread(r"D:\picture\p7.png", cv.COLOR_BGR2GRAY)
2.灰度图截取mask区域
代码中省去了图中右侧的两个像素值分布图。从原灰度图选取一个mask区间，区间是基于图左两张图的XY像素坐标，截取自己感兴趣的mask区域，省去毫不关心并可能影响图像处理的区域。
mask = np.zeros(gray.shape[:2], np.uint8)
mask[0:430, 240:530] = 255 # 裁剪出mask区域
mask_hist = cv.calcHist([gray], [0], mask, [256], [0, 256]) # 计算mask的直方图 灰度图通道=[0]
# 8 通过位运算，计算有mask的灰度图片
mask_img = cv.bitwise_and(gray, gray, mask=mask)# show_image(mask_img, "gray image with mask", 3, "X pixel pos", "Y pixel pos")
# show_histogram(mask_hist, "histogram with masked gray image", 4,
# "m", "Gray value (black~white:0~255)", "Number of pixels")
# plt.show() # 显示画布
img = mask_img # img 作为原灰图，mask_img 为mask区域的灰度图
3.mask区域二值化
图像二值化，可理解为将图形与背景，通过一个阈值X，低于阈值X的视为黑色0，高于X的视为灰色1。
# (1).灰度化图像
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# (2).高斯滤波
blurred = cv.GaussianBlur(gray, (5, 5), 0)
# thresh = cv.threshold(blurred, 64, 80, cv.THRESH_BINARY)[1]
# (3).二值化图像(化为0,1)
thresh = cv.threshold(blurred, 61, 80, cv.THRESH_BINARY)[1] # 调整高/低阈值，以匹配最好的识别效果
cv.imshow("thresh", thresh) # thresh——二值化，具体将闭合轮廓整体填充为灰色，其余(背景)为黑色4.二值化图像运算（开运算）
本人所关心的轮廓是基于类似椭圆状的区域部分，所以应想办法将尖端 "腐蚀" 掉。
先腐蚀后膨胀——即为开运算；相对的反过来就是——闭运算。这两类运算目的，是为了消除原图拍摄时产生的轮廓（内/外）毛刺、尖端、或者噪音。此处我用开运算主要是为了腐蚀掉我不关心的轮廓尖端。
很明显通过腐蚀后再膨胀，轮廓变得更加圆滑，并消除了尖端。
# (4).开运算[先膨胀-后腐蚀]，尝试去除噪声(去除尖端)
img2 = thresh.copy()
k = np.ones((10, 10), np.uint8) # 卷积核 如(10, 10)= 10X10的矩阵(或称数组)
thresh_open = cv.morphologyEx(img2, cv.MORPH_OPEN, k) # 开运算[先膨胀-后腐蚀]
cv.imshow("open operation", thresh_open) # 暂时屏蔽5.原灰图轮廓提取
cnts 返回所有轮廓集合，并计算轮廓质心(cX, cY)，注意这里指质心，而不是规则图形的中心，质心会随着图中部分轮廓的凹陷而稍微偏移。c 很好理解，则是cnts遍历出来的每一个轮廓。将 c 取出是为了对每个轮廓进行内接矩形的捕捉等等，从代码中可以看出 c 被当成一个参数传入进行运算。
可以print (M)进行打印查看，就能理解cX,cY是通过轮廓总面积进行计算求取。
x_min, x_max, y_min, y_max，则是求取轮廓的四点极值，也就是后面计算内接矩的一个标准范围。
# (5).下一步是使用轮廓检测找到这些白色区域的位置：返回轮廓个数
cnts = cv.findContours(thresh_open.copy(), cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) # RETR_EXTERNAL
cnts = imutils.grab_contours(cnts) # 返回轮廓 contours —— cnts
# (6).cnts 返回的是所有轮廓，所以需要for循环来遍历每一个轮廓
for i, c in enumerate(cnts):
# 计算轮廓区域的图像矩。 在计算机视觉和图像处理中，图像矩通常用于表征图像中对象的形状。
# 这些力矩捕获了形状的基本统计特性，包括对象的面积，质心（即，对象的中心（x，y）坐标），
# 方向以及其他所需的特性。
M = cv.moments(c)
# m00是图像面积（白色区域）的总和，或者说连通域的面积；而这时m10和m01是图像白色区域上x和y坐标值的累计
cX = int(M["m10"] / M["m00"])
cY = int(M["m01"] / M["m00"])
# 1. 绘制最大内接圆
r = drawInCircle(thresh_open, img, c, cX, cY)
# 2. 计算最小外接正矩形的四个顶点，是否绘制外矩形框
x_min, x_max, y_min, y_max = drawOutRectgle(c, False)
# 3. 最大内接矩形
x1, x2, y1, y2 = drawInRectgle(img, c, cX, cY, x_min, x_max, y_min, y_max)
cv.drawContours(img, [c], -1, (0, 255, 0), 1) # 最外层轮廓绘制
cv.circle(img, (cX, cY), 1, (255, 255, 255), -1) # 轮廓中心点
cv.putText(img, "center%d=%s avg=%d" % (i, bgr_val, gray_avg), (cX - 90, cY - 16),
cv.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 1)6.不规则轮廓校准（外接矩形/内接矩形）
（1）最大内接圆
遍历每个轮廓的所有坐标，寻求基于中心坐标（轮廓质心）最大圆直径
白字补充的分别是质心的灰度值，和白框矩形内所有亮度的平均灰度值，这里可以忽略不是重点。
def drawInCircle(img_open, img, cont, cX, cY):
# 绘制最大内接圆 # 最大内接圆——检索轮廓的方式
c = cont # 单个轮廓
contours = cv.findContours(img_open.copy(), cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
src = img_open.copy()
raw_dist = np.empty(src.shape, dtype=np.float32)
for ii in range(src.shape[0]):
for jj in range(src.shape[1]):
raw_dist[ii, jj] = cv.pointPolygonTest(c, (jj, ii), True) # 检测点坐标，与c轮廓坐标的距离
minVal, maxVal, _, maxDistPt = cv.minMaxLoc(raw_dist) # minMaxLoc查找最小和最大元素值及其位置ma
maxVal = abs(maxVal)
cv.circle(img, (cX, cY), np.int(maxVal)-1, (255, 255, 255), 1, cv.LINE_8, 0) # 最大内接圆
height = np.int(maxVal)-1
return np.int(maxVal)-1（2）最大内接正矩形（中心延展算法——个人理解）
中心延展法，其实就是中心坐标从 (cX, cY) 开始向四周延展。理解很简单，即从单个像素(cX, cY) 分别从第二、三象限，到第一、四象限（数学上以中心坐标）进行+1延展，但是此处图像很明显X：Y的比例大致将近 5:1或者4:1，故而算法实现中不能Y延展1，再到X延展1来类推。通过比例进行Y延展1，再到X延展4，再判断是否超出轮廓，若超出轮廓X部分需要遍历返回步进1(即)，直到到达轮廓。例如X向左延展需要同时判定，第二、三象限皆满足条件(不超轮廓)，向右延展则满足一、四象限类推，Y也是如此。
“# 取轴更长范围作for循环”，这前部分代码是自动计算了轮廓的X:Y的比例关系，radio 为长轴比短轴的比例，也直接在延展中将X、Y的步进值与radio联系上，比较“人性化”的计算，所以当遇到Y比X长的轮廓，这个算法也适用。这部分可以写死简化，看个人取舍。
# 第二象限延展" 即为算法的开端，当完成第二象限的延展时，返回一个标志位提示完成；当四个象限延展判断完成时，则提前终止for循环。
有人会好奇，为何我用的不是双for循环对X、Y的遍历，其实只要理解中心延展法，其实如何写就是自己的喜好；起初我也是用双for，但是发现没必要而且更复杂，就想到了比例延展的思路，没必要每次只延展步进1，这样效率也比较低；按比例延展，只要超出轮廓才进行遍历返回（每次返回1直到回到轮廓上）。
def drawInRectgle(img, cont, cX, cY, x_min, x_max, y_min, y_max):
"""绘制不规则最大内接正矩形"""
# img 对应的是原图, 四个极值坐标对应的是最大外接矩形的四个顶点
c = cont # 单个轮廓
# print(c)
range_x, range_y = x_max - x_min, y_max - y_min # 轮廓的X，Y的范围
x1, x2, y1, y2 = cX, cX, cY, cY # 中心扩散矩形的四个顶点x,y
cnt_range, radio = 0, 0
shape_flag = 1 # 1：轮廓X轴方向比Y长；0：轮廓Y轴方向比X长
if range_x > range_y: # 判断轮廓 X方向更长
radio, shape_flag = int(range_x / range_y), 1
range_x_left = cX - x_min
range_x_right = x_max - cX
if range_x_left >= range_x_right: # 取轴更长范围作for循环
cnt_range = int(range_x_left)
if range_x_left < range_x_right:
cnt_range = int(range_x_right)
else: # 判断轮廓 Y方向更长
radio, shape_flag = int(range_y / range_x), 0
range_y_top = cY - y_min
range_y_bottom = y_max - cY
if range_y_top >= range_y_bottom: # 取轴更长范围作for循环
cnt_range = int(range_y_top)
if range_y_top < range_y_bottom:
cnt_range = int(range_y_bottom)
print("X radio Y: %d " % radio)
print("---------new drawing range: %d-------------------------------------" % cnt_range)
flag_x1, flag_x2, flag_y1, flag_y2 = False, False, False, False
radio = 5 # 暂时设5，统一比例X:Y=5:1 因为发现某些会出现X:Y=4:1, 某些会出现X:Y=5:1
if shape_flag == 1:
radio_x = radio - 1
radio_y = 1
else:
radio_x = 1
radio_y = radio - 1
for ix in range(1, cnt_range, 1): # X方向延展，假设X:Y=3:1，那延展步进值X:Y=3:1
# 第二象限延展
if flag_y1 == False:
y1 -= 1 * radio_y # 假设X:Y=1:1，轮廓XY方向长度接近，可理解为延展步进X:Y=1:1
p_x1y1 = cv.pointPolygonTest(c, (x1, y1), False)
p_x2y1 = cv.pointPolygonTest(c, (x2, y1), False)
if p_x1y1 <= 0 or y1 <= y_min or p_x2y1 <= 0: # 在轮廓外，只进行y运算，说明y超出范围
for count in range(0, radio_y - 1, 1): # 最长返回步进延展
y1 += 1 # y超出, 步进返回
p_x1y1 = cv.pointPolygonTest(c, (x1, y1), False)
if p_x1y1 <= 0 or y1 <= y_min or p_x2y1 <= 0:
pass
else:
break
# print("y1 = %d, P=%d" % (y1, p_x1y1))
flag_y1 = True
if flag_x1 == False:
x1 -= 1 * radio_x
p_x1y1 = cv.pointPolygonTest(c, (x1, y1), False) # 满足第二象限的要求，像素都在轮廓内
p_x1y2 = cv.pointPolygonTest(c, (x1, y2), False) # 满足第三象限的要求，像素都在轮廓内
if p_x1y1 <= 0 or x1 <= x_min or p_x1y2 <= 0: # 若X超出轮廓范围
# x1 += 1 # x超出, 返回原点
for count in range(0, radio_x-1, 1): #
x1 += 1 # x超出, 步进返回
p_x1y1 = cv.pointPolygonTest(c, (x1, y1), False) # 满足第二象限的要求，像素都在轮廓内
p_x1y2 = cv.pointPolygonTest(c, (x1, y2), False) # 满足第三象限的要求，像素都在轮廓内
if p_x1y1 <= 0 or x1 <= x_min or p_x1y2 <= 0:
pass
else:
break
# print("x1 = %d, P=%d" % (x1, p_x1y1))
flag_x1 = True # X轴像左延展达到轮廓边界，标志=True
# 第三象限延展
if flag_y2 == False:
y2 += 1 * radio_y
p_x1y2 = cv.pointPolygonTest(c, (x1, y2), False)
p_x2y2 = cv.pointPolygonTest(c, (x2, y2), False)
if p_x1y2 <= 0 or y2 >= y_max or p_x2y2 <= 0: # 在轮廓外，只进行y运算，说明y超出范围
for count in range(0, radio_y - 1, 1): # 最长返回步进延展
y2 -= 1 # y超出, 返回原点
p_x1y2 = cv.pointPolygonTest(c, (x1, y2), False)
if p_x1y2 <= 0 or y2 >= y_max or p_x2y2 <= 0: # 在轮廓外，只进行y运算，说明y超出范围
pass
else:
break
# print("y2 = %d, P=%d" % (y2, p_x1y2))
flag_y2 = True # Y轴像左延展达到轮廓边界，标志=True
# 第一象限延展
if flag_x2 == False:
x2 += 1 * radio_x
p_x2y1 = cv.pointPolygonTest(c, (x2, y1), False) # 满足第一象限的要求，像素都在轮廓内
p_x2y2 = cv.pointPolygonTest(c, (x2, y2), False) # 满足第四象限的要求，像素都在轮廓内
if p_x2y1 <= 0 or x2 >= x_max or p_x2y2 <= 0:
for count in range(0, radio_x - 1, 1): # 最长返回步进延展
x2 -= 1 # x超出, 返回原点
p_x2y1 = cv.pointPolygonTest(c, (x2, y1), False) # 满足第一象限的要求，像素都在轮廓内
p_x2y2 = cv.pointPolygonTest(c, (x2, y2), False) # 满足第四象限的要求，像素都在轮廓内
if p_x2y1 <= 0 or x2 >= x_max or p_x2y2 <= 0:
pass
elif p_x2y2 > 0:
break
# print("x2 = %d, P=%d" % (x2, p_x2y1))
flag_x2 = True
if flag_y1 and flag_x1 and flag_y2 and flag_x2:
print("(x1,y1)=(%d,%d)" % (x1, y1))
print("(x2,y2)=(%d,%d)" % (x2, y2))
break
# cv.line(img, (x1,y1), (x2,y1), (255, 0, 0))
cv.rectangle(img, (x1, y1), (x2, y2), (255, 255, 255), 1, 8)
return x1, x2, y1, y2（3）最小外接正矩形
最小外接正矩形，也就是常见的人脸识别的绿框框，是不是有点像帽子（滑稽）。这个opencv已经内置boundingRect()方法，可以直接引用。
def drawOutRectgle(cont, isdrawing=False):
# 最小外接正矩形————用于计算轮廓内每个像素灰度值(去除 矩形-外轮廓)
c = cont
st_x, st_y, width, height = cv.boundingRect(c) # 获取外接正矩形的xy
# 对应的四个顶点(0,1,2,3) 0：左上，1：右上，2：右下，3：左下
bound_rect = np.array([[[st_x, st_y]], [[st_x + width, st_y]],
[[st_x + width, st_y + height]], [[st_x, st_y + height]]])
if isdrawing:
cv.drawContours(img, [bound_rect], -1, (0, 0, 255), 1) # 绘制最小外接正矩形
x_min, x_max, y_min, y_max = st_x, st_x + width, st_y, st_y + height # 矩形四顶点
# 通过每一个最小外接正矩形(四个顶点坐标)，判断矩形内累加坐标像素的灰度值，除去小于阈值的像素(在轮廓外)
return x_min, x_max, y_min, y_max
本文章为转载内容，我们尊重原作者对文章享有的著作权。如有内容错误或侵权问题，欢迎原作者联系我们进行内容更正或删除文章。
