企业官网建设流程全解析

OpenCV 轮廓特征详解：moments、contourArea、approxPolyDP、凸包与拟合函数实战指南

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv

本篇指南基于 OpenCV 官方 Python 教程中的 "Contour Features" 文档展开，系统讲解如何从findContours得到的轮廓中提取各类几何特征——包括矩（moments）、面积、周长、多边形近似、凸包、凸性判断、包围矩形、最小外接圆、椭圆与直线拟合。读完本文，你将掌握全部 12 个轮廓特征函数的用途、参数含义与调用方式，并能结合当前仓库源码（modules/geometry模块）理解这些函数在底层是如何实现的。

1. 目标与背景

本教程系列回答的核心问题是：拿到轮廓之后，还能对它们做什么？本篇聚焦"不同轮廓特征"的提取，涵盖面积（area）、周长（perimeter）、质心（centroid）、包围框（bounding box）等常见需求。你将看到大量与轮廓相关的函数，这些函数在 C++ 中声明于 geometry 模块公共头文件，Python 绑定后统一挂在cv2（即文档中的cv）命名空间下。

所有示例都以同一张star.jpg（五角星图像）作为输入，首先二值化并提取轮廓：

import numpy as np import cv2 as cv img = cv.imread('star.jpg', cv.IMREAD_GRAYSCALE) assert img is not None, "file could not be read, check with os.path.exists()" ret, thresh = cv.threshold(img, 127, 255, 0) contours, hierarchy = cv.findContours(thresh, 1, 2)

兼容性说明：原文使用旧式整数写法1, 2，其含义分别是cv.RETR_EXTERNAL（只取最外层轮廓）与cv.CHAIN_APPROX_SIMPLE（压缩存储轮廓点）。在新版本 OpenCV 中建议使用具名常量，可读性更好：

contours, hierarchy = cv.findContours(thresh, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

下文均以cnt = contours[0]作为待分析轮廓。

2. 矩（Moments）与质心

图像矩（image moments）是一类用于计算物体质心、面积等特征的数学量。OpenCV 提供cv.moments()函数，它返回一个包含所有矩值的字典：

cnt = contours[0] M = cv.moments(cnt) print(M)

M是一个形如{'m10': ..., 'm01': ..., 'm00': ..., 'nu11': ..., ...}的字典，同时包含原始矩（m**）与中心矩/归一化矩（mu**、nu**）。从矩中可以提取大量有用数据，其中质心（centroid）由如下关系给出：

• Cx = M10 / M00
• Cy = M01 / M00

对应代码：

cx = int(M['m10'] / M['m00']) cy = int(M['m01'] / M['m00'])

源码佐证：cv.moments的 C++ 实现位于 moments.cpp，函数签名为cv::Moments cv::moments(InputArray _src, bool binary)，即对输入区域（可以是轮廓、掩膜或二值图像）逐像素累加 x、y 的幂次积来得到各阶矩。这也解释了为什么M['m00']（0 阶矩）在数值上等于区域面积。

3. 轮廓面积（Contour Area）

轮廓面积可直接用cv.contourArea()计算，也可以从矩中读取M['m00']：

area = cv.contourArea(cnt)

C++ 侧的完整声明见 2d.hpp：

double contourArea( InputArray contour, bool oriented = false );

可以看到除了轮廓外还有一个oriented参数（默认false）：当轮廓为顺时针（或按有向定义）时，传入oriented=True会得到带符号的面积（负值），这在需要区分轮廓缠绕方向的场景中有用。

4. 轮廓周长（Contour Perimeter）

周长又称弧长（arc length），由cv.arcLength()求得。第二个参数指定该形状是否为闭合轮廓（传True表示闭合，否则视为一般曲线）：

perimeter = cv.arcLength(cnt, True)

该值后面还会被反复用作其他函数的基准（例如近似精度 epsilon 常取周长的一个百分比），所以先把它算出来是常见做法。

5. 轮廓近似（Contour Approximation）

cv.approxPolyDP()将一个轮廓用更少的顶点近似为另一个形状，精度由你指定的 epsilon 控制。它是Douglas-Peucker 算法（Ramer-Douglas-Peucker）的实现。

一个典型场景：你想在图中找一个正方形，但由于成像问题得到的是一个"不规则坏形状"。此时可以用该函数把形状近似成规整多边形。其中第二个参数 epsilon 是"轮廓上任意点到近似轮廓的最大允许距离"，即精度参数；epsilon 的选择需要经验，常见做法是取周长的一定比例：

epsilon = 0.1 * cv.arcLength(cnt, True) approx = cv.approxPolyDP(cnt, epsilon, True)

上节配图展示了两个典型结果：绿色曲线分别是 epsilon = 10% 周长与 epsilon = 1% 周长时的近似效果——epsilon 越小，近似曲线越贴合原始轮廓，顶点数也越多；第三个参数指定曲线是否闭合。

源码佐证：实现位于 approx.cpp。可以看到源码对 epsilon 做了显式合法性检查（epsilon < 0.0或非有限值会抛出StsOutOfRange错误），随后将输入校验为CV_32S/CV_32F的二维点向量，再调用内部 Douglas-Peucker 例程approxPolyDP_完成压缩。函数声明见 2d.hpp，头文件注释与本文一致：epsilon 即"原始曲线与其近似之间的最大距离"，closed控制首尾顶点是否相连。

实践提示：判断多边形类型常依赖近似后的顶点数，例如len(approx) == 4视为四边形、len(approx) == 3视为三角形——这正是"近似 + 顶点计数"组合的典型用法。

6. 凸包（Convex Hull）

凸包在结果形态上看似与轮廓近似类似，但算法本质不同（某些情况下二者可能给出相同结果）。cv.convexHull()会对曲线做凸性缺陷（convexity defects）检查并加以"修正"。直观理解：凸曲线总是向外凸出、或至少是平的；一旦曲线向内凹陷，这些凹陷处就是凸性缺陷。下图中红线是手形轮廓的凸包，双向箭头标出的位置即为凸性缺陷——凸包与轮廓之间局部偏离最大的地方。

函数语法与参数细节：

hull = cv.convexHull(points[, hull[, clockwise[, returnPoints]]])

• points：传入的轮廓点集；
• hull：输出结果，通常省略；
• clockwise：方向标志。为True时输出的凸包按顺时针方向排列，否则为逆时针；
• returnPoints：默认True，此时返回凸包点的坐标；若为False，则返回凸包点对应轮廓点的索引。

因此只取凸包本身时：

hull = cv.convexHull(cnt)

但若要查找凸性缺陷，必须传returnPoints=False。原文用矩形做了演示：先求得其轮廓cnt，再以returnPoints=True求凸包，得到四个角点：

[[[234 202]], [[ 51 202]], [[ 51 79]], [[234 79]]]

再以returnPoints=False求同一直，得到[[129], [67], [0], [142]]——这些是轮廓中对应点的索引。例如第一个值：cnt[129] = [[234, 202]]，与上一个结果的第一个点完全一致（其余点同理）。理解"索引形式"的凸包是后续讨论凸性缺陷（convexity defects）的关键，教程后文还会再次用到它。

源码佐证：C++ 声明见 2d.hpp：void convexHull(InputArray points, OutputArray hull, int clockwise=false, bool returnPoints=true)，参数默认值与上表一致。

7. 凸性判断（Checking Convexity）

判断一条曲线是否整体为凸，直接用cv.isContourConvex()，它只返回布尔值：

k = cv.isContourConvex(cnt)

源码佐证：声明见 2d.hpp：bool isContourConvex(InputArray contour)。

8. 包围矩形（Bounding Rectangle）

包围矩形分两种：轴对齐直矩形与最小面积旋转矩形。

8.a. 直包围矩形（Straight Bounding Rectangle）

直矩形不考虑物体旋转，因此其面积不一定是所有包围矩形中最小的。由cv.boundingRect()求得。设左上角坐标为 (x, y)，宽高为 (w, h)：

x, y, w, h = cv.boundingRect(cnt) cv.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)

它返回一个cv.Rect（可解包为 x, y, w, h 四个整型分量），绘制时以左上角 (x, y) 与右下角 (x+w, y+h) 两个对角点定义矩形，(0,255,0)为 BGR 绿色，线宽 2。

8.b. 旋转包围矩形（Rotated Rectangle）

旋转矩形以最小面积为约束，因此会考虑物体的旋转角度。使用cv.minAreaRect()，它返回一个Box2D结构，包含：中心 (x, y)、宽高 (width, height) 以及旋转角度。但绘制该矩形需要它的 4 个角点，由cv.boxPoints()获得：

rect = cv.minAreaRect(cnt) box = cv.boxPoints(rect) box = np.int0(box) cv.drawContours(img, [box], 0, (0, 0, 255), 2)

兼容性说明：np.int0在新版 NumPy 中已移除，可改为box = box.astype(np.int32)，效果相同（boxPoints返回浮点角点，绘制前需转为整型坐标）。

两种矩形在同一张图中的对比：绿色为直包围矩形，红色为旋转包围矩形。

源码佐证：minAreaRect的声明见 2d.hpp，头文件文档特别说明：旋转角定义为"以顺时针顺序取 y 坐标最大的角点为起点，连接起点与终点的直线"与水平轴的夹角，取值范围恒在[-90, 0)区间内（当物体旋转超过直角时改用下一条边测量角度）。另外boxPoints返回的 4 个顶点按顺时针顺序排列，起点为 y 坐标最大（y 相同时取最右）的点，见 2d.hpp——这一点在需要按顺序处理角点（如目标检测框排序）时非常关键。

9. 最小外接圆（Minimum Enclosing Circle）

用cv.minEnclosingCircle()求完全覆盖物体且面积最小的圆：

(x, y), radius = cv.minEnclosingCircle(cnt) center = (int(x), int(y)) radius = int(radius) cv.circle(img, center, radius, (0, 255, 0), 2)

函数返回圆心(x, y)与半径radius（均为浮点，绘制前转整型），cv.circle以绿色 BGR 值(0,255,0)、线宽 2 画出该外接圆。

源码佐证：声明见 2d.hpp，头文件注明该函数"使用迭代算法"求 2D 点集的最小包围圆，输出参数为Point2f& center与float& radius，与 Python 端的解包形式一致。

10. 椭圆拟合（Fitting an Ellipse）

cv.fitEllipse()对物体拟合一个椭圆，返回的是该椭圆的旋转包围矩形（椭圆内切于其中）：

ellipse = cv.fitEllipse(cnt) cv.ellipse(img, ellipse, (0, 255, 0), 2)

返回的ellipse元组形如((center_x, center_y), (major_axis, minor_axis), angle)，可直接传入cv.ellipse绘制，无需再手工换算角点。

源码佐证：声明见 2d.hpp：RotatedRect fitEllipse(InputArray points)，即 C++ 侧返回RotatedRect，Python 端呈现为三元组。

11. 直线拟合（Fitting a Line）

同理，可以对一组点拟合直线。假设图像中有一组白色点（对应cnt），可近似出一条直线：

rows, cols = img.shape[:2] [vx, vy, x, y] = cv.fitLine(cnt, cv.DIST_L2, 0, 0.01, 0.01) lefty = int((-x * vy / vx) + y) righty = int(((cols - x) * vy / vx) + y) cv.line(img, (cols - 1, righty), (0, lefty), (0, 255, 0), 2)

这里cv.fitLine采用参数化表示，返回(vx, vy, x, y)：直线过点 (x, y)，方向向量为 (vx, vy)。因此当 x = 0 时纵坐标为lefty，当 x = cols-1（图像右边界）时纵坐标为righty，两点即确定整条绿色拟合线。

参数说明（对照 C++ 声明 2d.hppvoid fitLine(InputArray points, OutputArray line, int distType, int param, double ransacReprojThreshold, double confidence)）：

• 第二参数cv.DIST_L2：距离度量类型，此处为最小二乘（L2 范数）；
• 第三参数0：param，DIST_L1/DIST_FAIR等稳健度量下的分位数相关参数，L2 下不使用；
• 第四、五参数0.01, 0.01：RANSAC 重投影阈值与置信度，本例按默认精度传入。

12. 函数速查表与仓库入口

几点实践小结：

1. epsilon 的选取是近似类函数的核心经验：approxPolyDP的 epsilon 常用k * cv.arcLength(cnt, True)（k 取 1%～10%）起步，再按顶点数结果微调；
2. returnPoints=False的索引形式是凸包类接口的重要特性，凸性缺陷检测等进阶功能依赖它；
3. 从源码结构看，本文涉及的几何特征函数在仓库中统一声明于 geometry 模块 的头文件中，Python 端则全部映射为cv2命名空间函数，教程代码与 API 文档可相互印证。

【免费下载链接】opencvOpen Source Computer Vision Library项目地址: https://gitcode.com/GitHub_Trending/opencv31/opencv