最小外接圆
函数cv2.minEnclosingCircle() 可以帮我们找到一个对象的外切圆。它是所有能够包括对象的圆中面积最小的一个。
案例：现有下面这样一张图片，要求将图片中心的花朵标记出来。
代码：
import numpy as np
import cv2 as cv
img=cv.imread("image.jpg",0)
#为了显示方便，这里将图片进行缩放
x,y=img.shape
img=cv.resize(img,(y//2,x//2))
#将图片二值化，由于前景物体是黑色的，因此在二值化时采用cv.THRESH_TOZERO_INV这种方式
ret,thresh=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
#寻找图片中的轮廓，mode=cv.RETR_EXTERNAL，这是为了寻找最外层的轮廓
im,contour,hierarchy=cv.findContours(thresh,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)
#cv.minEnclosingCircle函数的参数要求是ndarray类型，因此这里将找到的
# 轮廓中的所有的点存放在一个列表中，然后使用这个列表创建数组
point_list=[]
for i in contour:
for j in i:
point_list.append(j[0])
point_array=np.array(point_list)
#使用最小外接圆函数，返回值为这个圆的圆心坐标和圆半径长度
(x,y),radius=cv.minEnclosingCircle(point_array)
#图片上的坐标均为整数，圆的半径也要求是整数，因此将它们强制转换为int类型
center=(int(x),int(y))
color=cv.cvtColor(img,cv.COLOR_GRAY2BGR)
color=cv.circle(color,center,radius=int(radius),color=(0,0,255),thickness=2)
#显示图片
cv.imshow("color",color)
cv.waitKey(0)
cv.destroyAllWindows()
程序结果：
凸包
凸包与轮廓近似相似，但不同，虽然有些情况下它们给出的结果是一样的。函数cv2.convexHull() 可以用来检测一个曲线是否具有凸性缺陷，并能纠正缺陷。一般来说，凸性曲线总是凸出来的，至少是平的。在opencv中使用函数cv.convexhull来寻找轮廓的凸包，该函数的定义为：
hull=cv.convexHull( points[, hull[, clockwise[, returnPoints]]])
这个函数的参数如下：
Points：我们需要传入的轮廓
Hull：输出，通常不需要
clockwise : 取向标志，如果为True，凸包的方向是顺时针方向，否则为逆时针方向；
returnPoints : 默认为True. 它会返回凸包上点的坐标。如果设置为False，就会返回与凸包点对应的轮廓上的点。
还是上面的这副图片，我们对上面的代码稍加修改，可以得到凸包的形状，代码如下：
import numpy as np
import cv2 as cv
img=cv.imread("image.jpg",0)
#为了显示方便，这里将图片进行缩放
x,y=img.shape
img=cv.resize(img,(y//2,x//2))
#将图片二值化，由于前景物体是黑色的，因此在二值化时采用cv.THRESH_TOZERO_INV这种方式
ret,thresh=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
#寻找图片中的轮廓，mode=cv.RETR_EXTERNAL，这是为了寻找最外层的轮廓
im,contour,hierarchy=cv.findContours(thresh,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)
#cv.minEnclosingCircle函数的参数要求是ndarray类型，因此这里将找到的
# 轮廓中的所有的点存放在一个列表中，然后使用这个列表创建数组
point_list=[]
for i in contour:
for j in i:
point_list.append(j[0])
point_array=np.array(point_list)
#寻找凸包，返回值是凸包上的点
hull=cv.convexHull(point_array,returnPoints=True)
color=cv.cvtColor(img,cv.COLOR_GRAY2BGR)
#将凸包绘制出来，需要注意的是：这里需要将凸包上点的坐标写成一个
#列表传入函数cv.ploylines，否则绘制出来的只是凸包上的一系列点
color=cv.polylines(color,[hull],True,(0,0,255),2)
#显示图片
cv.imshow("color",color)
cv.waitKey(0)
cv.destroyAllWindows()
程序运行结果为：
图像掩模和像素点
有时我们需要构成对象的所有像素点，我们可以将图像的所有轮廓提取出来，然后使用函数cv.drawContours()将轮廓内的区域填充为指定的颜色。然后使用cv.findNonZeros()函数将非零像素点的坐标提取出来，这样就得到了构成对象的像素点。我们还是在上面的图片上进行操作，代码如下：
import numpy as np
import cv2 as cv
img=cv.imread("image.jpg",0)
#为了显示方便，这里将图片进行缩放
x,y=img.shape
img=cv.resize(img,(y//2,x//2))
#将图片二值化，由于前景物体是黑色的，因此在二值化时采用cv.THRESH_TOZERO_INV这种方式
ret,thresh=cv.threshold(img,127,255,cv.THRESH_TOZERO_INV)
#寻找图片中的轮廓，mode=cv.RETR_EXTERNAL，这是为了寻找最外层的轮廓
im,contour,hierarchy=cv.findContours(thresh,cv.RETR_EXTERNAL,cv.CHAIN_APPROX_SIMPLE)
#创建一个填充轮廓内像素点的画板，背景颜色为黑色，这里我们使用numpy创建一个全零的二维数组
mask=np.zeros(img.shape,dtype=np.uint8)
#将参数thickness设置为-1，这样cv.drawContours函数就会将轮廓内的像素点填充为指定的颜色
mask=cv.drawContours(mask,contour,contourIdx=-1,color=(255,255,255),thickness=-1)
#寻找mask内非零像素点，将其存放为一个numpy数组
NonZeroPoints=np.array(cv.findNonZero(mask))
#形状变换，将其改变为一个二维数组，数组的每一行存放一个非零像素点的坐标
NonZeroPoints=NonZeroPoints.reshape((-1,2))
#验证我们提取出来的像素点坐标是否正确，我们使用变量
#column和row分别存放非零像素点在图像中坐标的列数和行数
column=NonZeroPoints[:,0]
row=NonZeroPoints[:,1]
#在新的画板上将这些点绘制出来，将这些坐标对应的像素点的值设为255
mask1=np.zeros(img.shape)
mask1[row,column]=255
#显示结果
cv.imshow("mask",mask)
cv.imshow("mask1",mask1)
cv.waitKey(0)
cv.destroyAllWindows()
程序运行结果：
通过上面两幅图的对比结果，我们可以看到：对象的组成像素点被正确地提取出来了。
来源：https://www.cnblogs.com/puheng/p/9351177.html