opencv轮廓凸包滤除

在OpenCV中，轮廓凸包（Convex Hull）是一个用于表示物体最外围的多边形的算法。如果有多条边在凸包内部相交，那么这些边将被忽略，只保留凸包边缘上的点。使用OpenCV的`convexHull`函数可以找到一个点集的凸包，并返回凸包点的索引。在C++中使用这个功能，你需要首先使用`findContours`函数找到图像中的轮廓，然后使用`convexHull`来计算凸包。 以下是一个简单的C++代码示例，展示了如何使用OpenCV找到轮廓的凸包并绘制它： ```cpp #include <opencv2/opencv.hpp> #include <vector> int main() { // 读取图像 cv::Mat src = cv::imread("path_to_image.jpg", cv::IMREAD_GRAYSCALE); if (src.empty()) { std::cerr << "Error: 图像无法读取." << std::endl; return -1; } // 二值化处理 cv::Mat binary; cv::threshold(src, binary, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU); // 寻找轮廓 std::vector<std::vector<cv::Point>> contours; cv::findContours(binary, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE); // 计算凸包 std::vector<cv::Point> hull; for (const auto& contour : contours) { cv::convexHull(contour, hull); // 绘制凸包 cv::polylines(src, std::vector<std::vector<cv::Point>>{hull}, true, cv::Scalar(255, 0, 0), 2); } // 显示结果 cv::imshow("凸包", src); cv::waitKey(0); return 0; } ``` 在这段代码中，首先读取一张图像并进行二值化处理，然后使用`findContours`函数找到轮廓。对于找到的每一个轮廓，使用`convexHull`函数计算其凸包，并使用`polylines`函数将凸包绘制到原始图像上。

### OpenCV中的凸包检测与图像分割 #### 使用OpenCV进行凸包检测 在OpenCV中，`cv2.convexHull()` 是用于计算给定轮廓的凸包的主要函数。该函数接受一个轮廓作为输入并返回其对应的凸包点集[^1]。这些点可以用 `cv2.polylines()` 绘制出来以便可视化。 以下是实现凸包检测的一个简单示例： ```python import cv2 import numpy as np # 创建一个空白画布 image = np.zeros((500, 500, 3), dtype=np.uint8) # 定义一些随机点 points = np.array([[200, 10], [250, 50], [300, 10], [275, 100], [225, 90]], dtype=np.int32) # 计算凸包 hull = cv2.convexHull(points) # 将点和凸包绘制到图像上 for point in points: cv2.circle(image, (point[0], point[1]), 5, (0, 0, 255), -1) # 蓝色圆圈标记原始点 cv2.polylines(image, [hull], isClosed=True, color=(0, 255, 0), thickness=2) # 绿线连接凸包 # 显示结果 cv2.imshow('Convex Hull', image) cv2.waitKey(0) cv2.destroyAllWindows() ``` 上述代码展示了如何通过一组二维坐标来找到它们的凸包，并将其显示在一个窗口中[^2]。 #### 基于OTSU阈值化与凸包检测的图像分割 对于更复杂的场景，比如粘连对象的分离，可以结合 OTSU 阈值法和凸包检测技术完成图像分割。下面提供了一个完整的流程实例： ```python import cv2 import numpy as np # 加载灰度图片 img_gray = cv2.imread('rice.jpg', cv2.IMREAD_GRAYSCALE) # 应用 Otsu 方法自动获取最佳阈值 _, img_binary = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 查找外部轮廓 contours, _ = cv2.findContours(img_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 初始化绘图变量 result_img = cv2.cvtColor(img_gray, cv2.COLOR_GRAY2BGR) # 对每个轮廓执行操作 for contour in contours: hull = cv2.convexHull(contour) # 获取当前轮廓的凸包 area = cv2.contourArea(hull) # 测量区域大小 if area > 50: # 过滤掉过小的对象 cv2.drawContours(result_img, [hull], -1, (0, 255, 0), 2) # 绘制绿色边界框 # 展示最终效果 cv2.imshow("Segmented Image", result_img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 此脚本首先加载一张灰度图像，接着利用 Otsu 的自适应阈值得到二值化版本，最后遍历所有发现的轮廓并仅保留那些具有较大面积的目标[^3]。 #### 结论 凸包检测不仅能够帮助识别目标物周围的最小包围多边形，而且还能与其他算法相结合解决实际应用问题，例如物体计数或者形态分析等领域都有重要作用。