OpenCV-Python教程:19.轮廓属性

1图像矩

帮你计算一些属性，比如重心，面积等。

函数cv2moments()会给你一个字典，包含所有矩值

你可以从这个里面得到有用的数据比如面积，重心等。重心可以用下面的式子得到：

2轮廓面积

轮廓面积由函数cv2contourArea()得到或者从矩里得到M['m00']

3轮廓周长

可以用cv2arcLength()函数得到。第二个参数指定形状是否是闭合的轮廓（如果传True）。或者只是一个曲线。

4轮廓近似

这会把轮廓形状近似成别的边数少的形状，边数由我们指定的精确度决定。这是Douglas-Peucker算法的实现。

要理解这个，假设你试图找一个图像里的方块，但是由于图像里的一些问题，你得不到一个完美的方块，只能得到一个“坏方块”。现在你可以使用这个函数来近似，第二个参数叫epsilon，是从轮廓到近似轮廓的最大距离。是一个准确率参数，好的epsilon的选择可以得到正确的输出。

在下面第二个图像里，绿线显示了epsilon = 10% of arc length 的近似曲线。第三个图像显示了epsilon = 1% of the arc length。第三个参数指定曲线是否闭合。

5凸形外壳

凸形外壳和轮廓近似类似，但是还不一样（某些情况下两个甚至提供了同样的结果）。这儿，cv2convexHull()函数检查凸面曲线缺陷并修复它。一般来说，凸面曲线总是外凸的，至少是平的，如果它内凹了，这就叫凸面缺陷。比如下面这张图，红线显示了手的凸形外壳。双向箭头显示了凸面缺陷，是轮廓外壳的最大偏差。

参数详情：

·points 是我们传入的轮廓
·hull 是输出，一般我们不用传
·clockwise： 方向标示，如果是True，输出凸形外壳是顺时针方向的。否则，是逆时针的。
·returnPoints：默认是True。然后会返回外壳的点的坐标。如果为False，它会返回轮廓对应外壳点的索引。

所以要获得凸形外壳，下面

但是如果你想找到凸面缺陷，你需要传入returnPoints = False。我们拿上面的矩形图形来说，首先我找到他的轮廓cnt，现在用returnPoints = True来找他的凸形外壳，我得到下面的值：[[[234 202]], [[51 202]], [51 79]], [[234 79]]]  是四个角的点。如果你用returnPoints = False，我会得到下面的结果：[[129], [67], [0], [142]]  这是轮廓里对应点的索引，比如cnt[129] = [234, 202]]，这和前面结果一样。

6检查凸面

有一个函数用来检查是否曲线是凸面, cv2isContourConvex()它返回True或False。

7边界矩形

有两种边界矩形

7a正边界矩形

这个矩形不考虑对象的旋转，所以边界矩形的面积不是最小的，函数是cv2boundingRect()。

假设矩形左上角的坐标是(x,y)， （w, h）是它的宽和高

7b渲染矩形

这个边界矩形是用最小面积画出来的，所以要考虑旋转。函数是cv2minAreaRect()。它返回一个Box2D结构，包含了(左上角(x,y)，（width, height）,旋转角度）。但是要画这个矩形我们需要4个角。这四个角用函数cv2boxPoints()得到

8最小闭包圆

我们找一个目标的外接圆可以用函数cv2minEnclosingCircle()这个圆用最小面积完全包围目标。

9椭圆

用一个椭圆来匹配目标。它返回一个旋转了的矩形的内接椭圆

10 直线

类似的我们可以匹配一根直线，下面的图像包含一系列的白色点，我们可以给它一条近似的直线。

END

OpenCV训练分类器
一、简介
目标检测方法最初由Paul Viola [Viola01]提出，并由Rainer Lienhart [Lienhart02]对这一方法进行了改善。
该方法的基本步骤为：
首先，利用样本（大约几百幅样本）的 harr 特征进行分类器训练，得到一个级联的boosted分类器。
分类器中的"级联"是指最终的分类器是由几个简单分类器级联组成。在图像检测中，被检窗口依次通过每一级分类器， 这样在前面几层的检测中大部分的候选区域就被排除了，全部通过每一级分类器检测的区域即为目标区域。
分类器训练完以后，就可以应用于输入图像中的感兴趣区域(与训练样本相同的尺寸)的检测。检测到目标区域(汽车或人脸)分类器输出为1，否则输出为0。为了检测整副图像，可以在图像中移动搜索窗口，检测每一个位置来确定可能的目标。为了搜索不同大小的目标物体，分类器被设计为可以进行尺寸改变，这样比改变待检图像的尺寸大小更为有效。所以，为了在图像中检测未知大小的目标物体，扫描程序通常需要用不同比例大小的搜索窗口对进行几次扫描。
目前支持这种分类器的boosting技术有四种：
Discrete Adaboost, Real Adaboost, Gentle Adaboost and Logitboost。
"boosted" 即指级联分类器的每一层都可以从中选取一个boosting算法(权重投票)，并利用基础分类器的自我训练得到。
根据上面的分析，目标检测分为三个步骤：
1、 样本的创建
2、 训练分类器
3、 利用训练好的分类器进行目标检测。
二、样本创建
训练样本分为正例样本和反例样本，其中正例样本是指待检目标样本(例如人脸或汽车等)，反例样本指其它任意，所有的样本都被归一化为同样的尺寸大小(例如，20x20)。
负样本
负样本可以来自于任意的，但这些不能包含目标特征。负样本由背景描述文件来描述。背景描述文件是一个文本文件，每一行包含了一个负样本的文件名（基于描述文件的相对路径）。该文件必须手工创建。
eg: 负样本描述文件的一个例子：
假定目录结构如下：
/img
img1jpg
img2jpg
bgtxt
则背景描述文件bgtxt的内容为：
img/img1jpg
img/img2jpg
正样本
正样本由程序craatesample程序来创建。该程序的源代码由OpenCV给出，并且在bin目录下包含了这个可执行的程序。
正样本可以由单个的目标或者一系列的事先标记好的来创建。
Createsamples程序的命令行参数：
命令行参数：
－vec <vec_file_name>
训练好的正样本的输出文件名。
－img<image_file_name>
源目标（例如：一个公司图标）
－bg<background_file_name>
背景描述文件。
－num<number_of_samples>
要产生的正样本的数量，和正样本数目相同。
－bgcolor<background_color>
背景色（假定当前为灰度图）。背景色制定了透明色。对于压缩，颜色方差量由bgthresh参数来指定。则在bgcolor－bgthresh和bgcolor＋bgthresh中间的像素被认为是透明的。
－bgthresh<background_color_threshold>
－inv
如果指定，颜色会反色
－randinv
如果指定，颜色会任意反色
－maxidev<max_intensity_deviation>
背景色最大的偏离度。
－maxangel<max_x_rotation_angle>
－maxangle<max_y_rotation_angle>，
－maxzangle<max_x_rotation_angle>
最大旋转角度，以弧度为单位。
－show
如果指定，每个样本会被显示出来，按下"esc"会关闭这一开关，即不显示样本，而创建过程继续。这是个有用的debug选项。
－w<sample_width>
输出样本的宽度（以像素为单位）
－h《sample_height》
输出样本的高度，以像素为单位。
注：正样本也可以从一个预先标记好的图像集合中获取。这个集合由一个文本文件来描述，类似于背景描述文件。每一个文本行对应一个。每行的第一个元素是文件名，第二个元素是对象实体的个数。后面紧跟着的是与之匹配的矩形框（x, y, 宽度，高度）。

首先，需要说明的是，OpenCV自带的haar training提取的特征是haar特征 分类器是AdaBoost级联分类器（如需了解Adaboost算法， 。所谓的级联分类器，就是将若干的简单的分量分类器（可以理解为一般的普通分类器）依次串联起来，最终的检测分类结果，要依次通过所有的分量分类器才能算是一个有效的检测分类结果。否则，就认为当前检测区域内没有我们需要找的目标。
利用OpenCV自带的haar training程序训练一个分类器，需要经过以下几个步骤：
（1）收集训练样本：
训练样本包括正样本和负样本。正样本，通俗点说，就是中只有你需要的目标。而负样本的只要其中不含有目标就可以了。但需要说明的是，负样本也并非随便选取的。例如，你需要检测的目标是汽车，那么正样本就应该是仅仅含有汽车的，而负样本显然不能是一些包含天空的，海洋的，风景的。因为你最终训练分类器的目的是检测汽车，而汽车应该出现在马路上。也就是说，分类器最终检测的应该是那些包含马路，交通标志，建筑物，广告牌，汽车，摩托车，三轮车，行人，自行车等在内的。很明显，这里的负样本应该是包含摩托车、三轮车、自行车、行人、路面、灌木丛、花草、交通标志、广告牌等。
另外，需要提醒的是，adaboost方法也是机器学习中的一个经典算法，而机器学习算法的前提条件是，测试样本和训练样本独立同分布。所谓的独立同分布，可以简单理解为：训练样本要和最终的应用场合非常接近或者一致。否则，基于机器学习的算法并不能保证算法的有效性。此外，足够的训练样本（至少得几千张正样本、几千张负样本）也是保证训练算法有效性的一个前提条件。
这里，假设所有的正样本都放在f:/pos文件夹下，所有的负样本都放在f:/neg文件夹下；
（2）对所有的正样本进行尺寸归一化：
上一步收集到的正样本，有很多的尺寸大小，有的是200300，有的是500800尺寸归一化的目的，就是把所有的都缩放到同一大小。比如，都缩放到5060的大小。
（3）生成正样本描述文件：
所谓的正样本描述文件，其实就是一个文本文件，只不过，很多人喜欢将这个文件的后缀改成dat而已。正样本描述文件中的内容包括：文件名 目标个数 目标在中的位置（x,y,width,height）
典型的正样本描述文件如下所示：
0jpg 1 0 0 30 40
1jpg 1 0 0 30 40
2jpg 1 0 0 30 40

不难发现，正样本描述文件中，每一个正样本占一行，每一行以正样本开头，后面紧跟着该中正样本的数量（通常为1），以及正样本在中的位置
假如，f:\pos文件夹下有5000个正样本，每个中仅有一个目标。那么，我们可以写程序（遍历文件夹中的所有文件，将文件名写入到文件中，将正样本在中的位置，大小都写入文件中）生成一个posdat文件作为正样本描述文件。
（4）创建正样本vec文件
由于haarTraining训练的时候需要输入的正样本是vec文件，所以需要使用createsamples程序来将正样本转换为vec文件。
打开OpenCV安装目录下bin文件夹里面的名为createSamples（新版本的OpenCV里面改名为opencv_createSamples）的可执行程序。需要提醒的是，该程序应该通过命令行启动（可以参考我的另一篇博客：>>现在在vc上采集视频常用的方法有三：vfw，directshow，opencv
你是要进行图像处理的话推荐opencv（具体参考：于仕琪，opencv教程基础篇中的例3-6，稍作修改，估计就能用于你的工程）
下面贴出我自己编的一个小工程：如有疑问，E-mail：zhoutingzhi@gmailcom
进行opencv的预备 *** 作你要看那本书和逛opencv中文网

如有问题可以和我讨论（我也是菜鸟，刚为解决了这个问题窃喜不已）。
1新建mfc对话框工程，在其中添加一个picture控件，除了ID以外什么都不用改
2在对话框头文件（没有Dlg那个）中添加（最好是在“#include "resourceh" // main symbols之后”）：
#include "cxcoreh"
#include "cvcamh"
#include "windowsh"
#include "cvh"
#include "highguih"
3在工程-》设置-》选择所有配置-》link（连接）-》对象/库模块-》中添加：
kernel32lib user32lib gdi32lib winspoollib comdlg32lib advapi32lib shell32lib ole32lib oleaut32lib uuidlib odbc32lib odbccp32lib cxcorelib cvlib mllib cvauxlib highguilib cvcamlib
4在需要触发摄像头显示的地方添加：
void CVideomfcDlg::OnButton1()
{
// TODO: Add your control notification handler code here
int ncams = cvcamGetCamerasCount( );//返回可以访问的摄像头数目
HWND MyWin=::GetDlgItem(m_hWnd,IDC_VIDEO); //获得控件句柄（IDC_VIDEO就是控件）
cvcamSetProperty(0, CVCAM_PROP_ENABLE, CVCAMTRUE); //选择第一个摄像头
int width=240;
int height=240;
cvcamSetProperty(0,CVCAM_PROP_WINDOW, &MyWin); // Selects a window for
cvcamSetProperty(0,CVCAM_RNDWIDTH, &width);
cvcamSetProperty(0,CVCAM_RNDHEIGHT, &height);
cvcamSetProperty(0, CVCAM_PROP_CALLBACK, callback1);
//回调函数将处理每一帧
cvcamInit( );
cvcamStart( );
}
5改变显示的图像序列大小，在窗口属性设定了以后，添加如下代码：
int width=320; //这个就是需要显示的窗口大小
int height=240; //根据自己需要选择
cvcamSetProperty(0,CVCAM_RNDWIDTH, &width);
cvcamSetProperty(0,CVCAM_RNDHEIGHT, &height);
6在对话框类中添加callback成员函数（注意，在添加函数的时候，一定要选择static，不选的话你就自己郁闷去吧，反正我是为了这个郁闷了2个礼拜）
void CVideomfcDlg::callback1(IplImage image)
{
IplImage image1 = image;
int i,j;
assert (image);
//获取当前系统时间
SYSTEMTIME st2=;
GetLocalTime(&st2);
char sss[18]=; //这个是用来存储所要保存的名的，用的是一个笨办法，先定义，再修改其中的数组值。
sss[7]=st2wHour/10+48; //获取系统当前小时
sss[8]=st2wHour%10+48;
sss[9]=st2wMinute/10+48; //获取系统当前分钟
sss[10]=st2wMinute%10+48;
sss[11]=st2wSecond/10+48; //获取系统当前秒
sss[12]=st2wSecond%10+48;
cvSaveImage(sss,image1); //使用系统当前时间为名称（XXXXXXjpg）存储
}
ps：你还需要在c盘根目录下建立一个叫1的文件夹保存。
祝你成功！

作为计算机视觉的开源库，OpenCV强大而实用，下面分享一下我学OpenCV的经验。
刚开始是由于大学生创新项目的原因，在大二的时候就开始接触，当时我已经有了C++和Java的基础了。不过先声明一下，两种语言我都学得不怎么样，囧～既然你想学C++版的OpenCV的API，那就要掌握C++的基础知识，特别是类、继承方面的基本原理，当然要求不是很高，理解就行。我说有Java基础，不是让你学Java，而是掌握一种查API手册的习惯和能力，就是，遇到不懂的类或函数（方法），通过查手册了解。我的这种能力是从Java课上学到的，故在这里赘述。
拿到的第一本书叫《学习OpenCV（中文版）》，这本书是C语言版的，比较经典了。说实话，个人觉得对我的帮助不是很大。除了让我学会了读取图像和视频，还有知道一些图像处理的函数之外，其他倒没有什么。不过里面的原理倒是介绍的不错，不过对于初学者来说，可能效果不是那么好。因为里面涉及的东西太多，感觉吸收有压力。
上面是C语言版的，学着不方便。关于C++版的学习，经过摸索，强烈建议到OpenCV中文网 ，跟着这个教程，一步步的学，基础就可以打牢了。这个教程很好，从安装OpenCV到各个模块的学习，都有简明扼要的讲解和例子源代码（很多可以从OpenCV自带例程中找到）。有些函数如果不熟悉，可以到“中文文档”子模块 去查。当然，你可以在论坛上注册个帐号，和别人交流等等。推荐一本书《OpenCV2计算机视觉编程手册》张静，科学出版社。（opencv2主要是针对C++版的）
总的来说，学习OpenCV的时候，切忌一下几点：
有一定的C++基础，会查阅API手册;
学会安装配置开发环境;
针对各个模块学，核心模块必学（特别是矩阵处理），基础的图像处理也要学，其他结合项目学;
边学边动手，一定要敲代码，看例程;
遇到问题，查手册，上论坛，网上找资源。。。

---