使用Python、OpenCV计算轮廓的中心

1. 使用Python、OpenCV计算轮廓的中心并标记
2. 使用Python、OpenCV检测轮廓的形状并标记
3. 使用颜色通道统计信息来标记形状的实际颜色并标记

本博客的目标：（1）检测图像中每个形状的轮廓，然后（2）计算轮廓的中心-也称为质心。

1. 计算轮廓/形状区域的中心；
2. 仅使用轮廓属性识别出各种形状，例如圆形，正方形，矩形，三角形和五边形；
3. 标记形状的颜色；

效果图：

1. 图像预处理部分

考虑到图像是人为绘制或者剪切的，圆形不够圆，方形不够方，矩形也不是完全矩形；首先进行轮廓提取；
（1）转换为灰度图；
（2）高斯模糊处理以减少高频噪声，从而使轮廓检测过程更加精确；
（3）图像的二值化，通常会使用边缘检测和阈值化，这里用阈值化方法；通过调整适当的参数，把图像由背景黑色前景彩色调整成为背景黑色前景轮廓区域为白色。

2. 轮廓检测

检测轮廓后，计算轮廓区域的图像矩；获取轮廓的中心；并绘制在图像上；

在计算机视觉和图像处理中，图像矩 通常用于表征图像中对象的形状。这些力矩捕获了形状的基本统计特性，包括对象的面积，质心（即对象的中心（x，y）坐标），方向以及其他所需的特性。对于处理分隔后的图像尤其有用；

# python center_of_shape.py --image shapes_and_colors.png

# 导入必要的包
import argparse
import imutils
import cv2

# 构建命令行参数
# --image 要处理的图像路径
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
                help="path to the input image")
args = vars(ap.parse_args())

# 加载图像，转换为灰度，使用5 x 5内核进行高斯平滑处理，阈值化
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
thresh = cv2.threshold(blurred, 60, 255, cv2.THRESH_BINARY)[1]

# 注意，在应用阈值化之后，形状是如何在黑色背景上表示为白色前景。
# 下一步是使用轮廓检测​​找到这些白色区域的位置：
cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL,
                        cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)

# 遍历轮廓集
for c in cnts:
    # 计算轮廓区域的图像矩。 在计算机视觉和图像处理中，图像矩通常用于表征图像中对象的形状。这些力矩捕获了形状的基本统计特性，包括对象的面积，质心（即，对象的中心（x，y）坐标），方向以及其他所需的特性。
    M = cv2.moments(c)
    cX = int(M["m10"] / M["m00"])
    cY = int(M["m01"] / M["m00"])
    # 在图像上绘制轮廓及中心
    cv2.drawContours(image, [c], -1, (0, 255, 0), 2)
    cv2.circle(image, (cX, cY), 7, (255, 255, 255), -1)
    cv2.putText(image, "center", (cX - 20, cY - 20),
                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)
    # 展示图像
    cv2.imshow("Image", image)
    cv2.waitKey(0)

参考：

• https://www.pyimagesearch.com/2016/02/01/opencv-center-of-contour/