基于人工智能实验平台的OpenCV多边形逼近对象检测

1.实验目的

熟悉opencv读入图片，绘制多边形边框.

2.实验设备

安装了python和pychrm的电脑一台。

3.实验内容

包含图片的导入、绘制矩形、显示图片。

4.实验原理

在OpenCV中，寻找的物体是白色的，而背景必须是黑色的，因此图片预处理时必须保证这一点。所以在轮廓检测之前，首先要对图片进行二值化或者Canny边缘检测。
我们将图像二值化后，用findContours函数就可以很方便的找出图像的轮廓信息，循环遍历每一个信息点，cv2.rectangle函数画出来即可。
质心：
首先，使用findContour()函数找出图像中包含的轮廓信息，然后对所有轮廓进行遍历，并计算每一个轮廓的力矩(Moment),就可以得出物体的质心位置：

轮廓近似：
将轮廓形状近似到另外一种由更少点组成的轮廓形状，新轮廓的点的数目由我们设定的准确度来决定。为了帮助理解，假设我们要在一幅图像中查找一个矩形，但是由于图像的种种原因，我们不能得到一个完美的矩形，而是一个“坏形状”（如下图所示）。现在你就可以使用这个函数来近似这个形状（）了。这个函数的第二个参数叫epsilon，它是从原始轮廓到近似轮廓的最大距离。它是一个准确度参数。选择一个好的 epsilon 对于得到满意结果非常重要。

epsilon = 0.1*cv2.arcLength(cnt,True) 
approx = cv2.approxPolyDP(cnt,epsilon,True)

轮廓检测

approxPolyDP()函数是opencv中对指定的点集进行多边形逼近的函数，其逼近的精度可通过参数设置,返回参数是输出的点集，当前点集是能最小包容指定点集的,画出来即是一个多边形。主要功能是把一个连续光滑曲线折线化，对图像轮廓点进行多边形拟合。
函数原型：

approxPolyDP(contourMat, double , closed)

第一个参数 contourMat：即轮廓的点集信息
第二个参数double epsilon：是一个距离值，即是原始曲线与近似曲线之间的最大距离，表示多边形的轮廓接近实际轮廓的程度，值越小，越精确
第三个参数bool closed：若为tru，则说明近似曲线是闭合的，反之，若为false，则断开。

该函数采用是道格拉斯-普克算法（Douglas-Peucker）来实现。该算法也以Douglas-Peucker算法和迭代终点拟合算法为名。是将曲线近似表示为一系列点，并减少点的数量的一种算法。
经典的Douglas-Peucker算法描述如下：
（1）在曲线首尾两点A，B之间连接一条直线AB，该直线为曲线的弦；
（2）得到曲线上离该直线段距离最大的点C，计算其与AB的距离d；
（3）比较该距离与预先给定的阈值threshold的大小，如果小于threshold，则该直线段作为曲线的近似，该段曲线处理完毕。
（4）如果距离大于阈值，则用C将曲线分为两段AC和BC，并分别对两段取信进行1~3的处理。
（5）当所有曲线都处理完毕时，依次连接各个分割点形成的折线，即可以作为曲线的