我要评论在opencv python中，cv.approxpolydp是一个用于多边形逼近的函数。它使用douglas-peucker算法来减少多边形的点数。
该函数需要两个参数：输入多边形和一个表示逼近精度的参数。输入多边形是一个由点组成的数组，而逼近精度是一个用于控制轮廓近似的精度参数。
该函数在输入多边形中保留重要的角度，并删除不必要的顶点，从而减少了生成多边形所需的点数。它可以用于图像处理中的轮廓发现和分析，通过减少多边形点数，可以更容易地检测和识别形状。
下面是一个简单的示例，展示了如何在opencv python中使用cv.approxpolydp来逼近多边形：
import cv2 as cv
import numpy as np
# 读取图像
img = cv.imread("polygon.jpg")
# 转换为灰度图像
gray = cv.cvtcolor(img, cv.color_bgr2gray)
# 二值化图像
ret, thresh = cv.threshold(gray, 127, 255, cv.thresh_binary)
# 找到轮廓
contours, hierarchy = cv.findcontours(thresh, cv.retr_tree, cv.chain_approx_simple)
# 逼近多边形
approx = cv.approxpolydp(contours[0], 0.01 * cv.arclength(contours[0], true), true)
# 绘制轮廓和逼近多边形
cv.drawcontours(img, [contours[0]], 0, (0, 255, 0), 2)
cv.drawcontours(img, [approx], 0, (255, 0, 0), 2)
# 显示图像
cv.imshow("image", img)
cv.waitkey(0)
cv.destroyallwindows()
在此示例中，我们首先读取图像并将其转换为灰度图像。然后，我们使用cv.threshold将其转换为二值化图像，并使用cv.findcontours找到其轮廓。接下来，我们将使用cv.approxpolydp逼近多边形。最后，我们使用cv.drawcontours将原始轮廓和逼近多边形绘制到图像上。
请注意，实际应用中，需要使用适当的值来调整逼近精度参数，以使逼近过程产生最佳结果。
cv.approxpolydp函数有三个参数，分别是：
- curve：输入多边形的轮廓。
- epsilon：逼近精度参数，表示逼近精度的界限。该参数是一个正数，其值越小则逼近程度越高。通常建议使用轮廓周长的一定比例来计算该参数，常见的比例因子为0.01。
- closed：布尔值参数，表示输出的逼近多边形是否闭合。如果布尔值为true，则输出的多边形是封闭的。如果为false，则只返回线段。
在实际使用时，需要针对具体的应用场景和图像情况来调整epsilon的值，以充分利用其控制逼近精度的功能。
需要注意的是，函数返回值是输出的逼近多边形的点数组形式，可以使用cv.drawcontours函数将其绘制到图像上。
cv.approxpolydp 函数返回的是多边形的顶点坐标数组，可以使用cv.contourarea函数根据这些顶点坐标计算多边形的面积。需要注意的是，cv.contourarea 函数只能用于计算封闭的轮廓的面积，因此需要在调用cv.approxpolydp 函数时将 closed 参数设为 true，以输出封闭的多边形轮廓。
具体的代码实现方法如下：
# 输入轮廓 contour，逼近精度 epsilon 和封闭参数 closed，返回逼近多边形的面积
def compute_approxpolydp_area(contour, epsilon, closed=true):
# 计算逼近多边形的顶点坐标
approx = cv.approxpolydp(contour, epsilon, closed)
# 计算逼近多边形的面积
area = cv.contourarea(approx)
return area
其中，输入参数 contour 是输入轮廓的顶点坐标数组，epsilon 是逼近精度参数，closed 是封闭参数；输出结果 area 是逼近多边形的面积。
可以使用 opencv 中的函数 cv2.minarearect 和 cv2.boxpoints 来计算轮廓包围图形的最小矩形框，并得到矩形框的的四个顶点坐标。然后可以使用 python 矩形操作库 shapely 来计算矩形和轮廓交集的面积。
具体的步骤如下：
- 使用 cv2.findcontours 函数得到输入轮廓的顶点坐标数组。
# img 为输入图像
contours, hierarchy = cv2.findcontours(img, cv2.retr_tree, cv2.chain_approx_simple)
- 使用 cv2.minarearect 函数计算轮廓包围的最小矩形框及其四个顶点的坐标。
rect = cv2.minarearect(contours[0]) # 计算最小矩形框
box = cv2.boxpoints(rect) # 得到矩形框的四个顶点坐标
box = np.int0(box) # 转换为整型
- 使用 shapely 库计算矩形和轮廓交集的面积。
from shapely.geometry import polygon
# 计算矩形和轮廓交集的面积
intersection_area = 0
if len(contours) > 0:
polygon = polygon(contours[0].reshape(-1, 2))
rect_polygon = polygon(box.reshape(-1, 2))
intersection = rect_polygon.intersection(polygon)
if intersection.geom_type == 'polygon':
intersection_area = intersection.area
其中，polygon 函数用于创建一个多边形对象，intersection 函数用于计算两个多边形的交集。最终的 intersection_area 变量即为矩形和轮廓交集的面积。
完整代码如下所示：
import cv2
import numpy as np
from shapely.geometry import polygon
# 读取输入图像
img = cv2.imread('input.jpg', 0)
# 计算轮廓
contours, hierarchy = cv2.findcontours(img, cv2.retr_tree, cv2.chain_approx_simple)
# 计算最小矩形框
rect = cv2.minarearect(contours[0])
box = cv2.boxpoints(rect)
box = np.int0(box)
# 计算矩形和轮廓交集的面积
intersection_area = 0
if len(contours) > 0:
polygon = polygon(contours[0].reshape(-1, 2))
rect_polygon = polygon(box.reshape(-1, 2))
intersection = rect_polygon.intersection(polygon)
if intersection.geom_type == 'polygon':
intersection_area = intersection.area
# 输出交集面积
print("intersection area:", intersection_area)
其中，input.jpg 为输入图像文件名，可以替换为其他图像。
使用 opencv 中的函数 cv2.boundingrect 对多边形逼近得到的轮廓进行包围矩形计算时，得到的坐标是最小矩形的左上角坐标和宽度高度。也就是说，boundingrect 得到的矩形框是能够完全覆盖多边形的最小矩形框，而不是包含多边形的最大矩形框。
简单来说，boundingrect 得到的矩形框是能够最小化多边形占用的空间大小的矩形框。实际应用中，boundingrect 函数通常用于求取多边形的包围盒，以便进行后续图形处理、物体识别等操作。
发表评论