OpenCV图像处理—— 凸包检测

本文介绍凸包(ConvexHull)的概念及其在计算几何中的应用,详细讲解了使用OpenCV进行凸包检测的方法,包括C++ API的使用、代码实现及运行结果展示。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

前言

凸包(Convex Hull)是一个计算几何(图形学)中的概念,在一个实数向量空间V中,对于给定集合X,所有包含X的凸集的交集S被称为X的凸包。通俗的讲就是把检测到一个平面的点以最大的外包多边形包进去。

凸包检测

1.C++ API 原型

void convexHull(InputArray points, OutputArray hull, bool clockwise=false, bool returnPoints=true )

InputArray points: 输入二维点集,利用Mat或者vector存储
OutputArray hull: 输出的convex hull点集。有两种情况:直接点集合或者points的索引
bool false: 负责顺时针或者逆时针
bool returnPoints: 控制传回的是点集,还是点集的索引

2.代码演示

#include <opencv2/opencv.hpp>
#include <iostream>
#include <math.h>
#include <opencv2/highgui/highgui.hpp>

using namespace std;
using namespace cv;

void convexHullDetection(cv::Mat &src, cv::Mat &dst);

int main(int argc, char** argv)
{
	Mat src, dst;

	src = imread("bin.jpg");
	if (!src.data) 
	{
		std::cout << "could not load image..." << std::endl;
		return -1;
	}
	dst = src.clone();
	convexHullDetection(src, dst);

	cv::namedWindow("dst", 0);
	cv::imshow("dst", dst);
	waitKey(0);
	return 0;
}

void convexHullDetection(cv::Mat &src, cv::Mat &dst)
{
	vector<vector<Point>> contours;
	vector<Vec4i> hierachy;
	cv::Mat src_gray, bin_output;
	if (src.channels() > 1)
	{
		cvtColor(src, src_gray, COLOR_BGR2GRAY);
	}
	threshold(src_gray, bin_output, 127, 255, THRESH_BINARY);
	findContours(bin_output, contours, hierachy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0));

	//发现轮廓得到的候选点
	vector<vector<Point>> convexs(contours.size());
	for (size_t i = 0; i < contours.size(); i++) 
	{
		convexHull(contours[i], convexs[i], false, true);
	}

	// 绘制
	vector<Vec4i> empty(0);
	for (size_t k = 0; k < contours.size(); k++) 
	{
		drawContours(dst, convexs, k, Scalar(0, 0, 255), 5, LINE_8, empty, 0, Point(0, 0));
	}
}

3.运行结果
在这里插入图片描述

### OpenCV凸包函数的使用教程 #### 1. 凸包的概念 在计算机视觉领域,凸包是指包围一组点的最小凸多边形。通过计算图像中的轮廓并提取其凸包,可以用于形状分析、手势识别等领域。 #### 2. `cv::convexHull` 的基本用法 OpenCV 提供了一个名为 `cv::convexHull` 的函数来计算给定点集的凸包[^1]。该函数的主要参数包括输入点集合以及返回的结果形式(索引还是实际坐标)。以下是具体说明: - **输入**: 输入是一个二维点数组或向量。 - **输出**: 输出可以是点的实际坐标或者它们对应的索引位置。 - **可选标志**: 如果设置为 `True`,则返回的是点的索引;如果为 `False`,则直接返回点本身。 ```python import numpy as np import cv2 # 创建一些随机点作为示例数据 points = np.array([[0, 0], [1, 0], [1, 1], [0, 1]], dtype=np.int32) # 计算这些点的凸包 hull_indices = cv2.convexHull(points, returnPoints=False) # 返回索引 print("Convex Hull Indices:", hull_indices.flatten()) hull_points = cv2.convexHull(points, returnPoints=True) # 返回实际点 print("Convex Hull Points:", hull_points) ``` 上述代码展示了如何利用 `cv::convexHull` 来获取点集的凸包信息[^4]。 #### 3. 凸缺陷的应用 除了简单的凸包外,还可以进一步研究凸缺陷——即凸包与原始轮廓之间的差异区域。这通常由另一个函数 `cv2.convexityDefects()` 实现[^2]。此方法接受两个主要参数:一个是目标轮廓,另一个是由 `cv::convexHull` 得到的凸壳结构。 下面是一段完整的例子展示如何检测手部图像的手指数量,其中涉及到了凸包及其缺陷的联合应用[^3]: ```python import cv2 import numpy as np # 假设已经有一个二值化后的黑白图 img_binary 和找到的一个最大连通域 cnt (contour) img_binary = ... # 加载你的二值图片 cnt = ... # 获取凸包 hull = cv2.convexHull(cnt, returnPoints=False) # 寻找凸缺陷 defects = cv2.convexityDefects(cnt, hull) if defects is not None: for i in range(defects.shape[0]): s, e, f, d = defects[i][0] start = tuple(cnt[s][0]) end = tuple(cnt[e][0]) farthest_point = tuple(cnt[f][0]) # 绘制线条连接起点终点,并标记最远点 cv2.line(img_binary, start, end, [0, 255, 0], 2) cv2.circle(img_binary, farthest_point, 5, [0, 0, 255], -1) # 显示最终结果 cv2.imshow('Result', img_binary) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这段脚本不仅演示了如何调用相关 API 进行处理,还提供了可视化手段帮助理解整个流程的工作机制。 ---
评论 1
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

知来者逆

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值