Opencv图像轮廓处理
@fuxianjun
寻找轮廓的操作一般用于二值化图，所以通常会使用阈值分割或Canny边缘检测先得到二值图。
cv2.findContours()函数
contours,hierarchy=cv2.findContours（image,mode,method）
contours：返回的轮廓。例如contours[i]表示第i个轮廓。
hierarchy：图像的拓扑信息（轮廓层次）。
image：输入的图像。
mode：轮廓搜索模式：决定了轮廓的提取方式。
method：轮廓近似方法：决定了如何表达轮廓。
例如：img=cv2.drawContours(img,contours,-1,(0,255,0),5)绿色轮廓线，线条粗细为5（若为-1，则会将轮廓内部进行填充）
矩特征
比较两个轮廓最简单的方法是比较二者的轮廓矩。轮廓矩代表了一个轮廓、一幅图像、一组点集的全局特征。矩信息包含了对应对象不同类型的几何特征，例如大小、位置、角度、形状等。矩特征被广泛地应用在模式识别、图像识别等方面。
retval=cv2.moments(array[,binaryImage]
array：可以是点集，也可以是灰度图像或者二值图像。
binaryImage：当为True时，array内所有的非零值都会被处理为1.
计算结果m00表示面积。
计算轮廓的面积：
area=cv2.contourArea(contour [, oriented])
contour ：轮廓。
oriented：布尔值，当为True时，表示顺时针或逆时针计算.
计算轮廓的长度：
length=cv2.arcLength(curve，closed)
curve ：轮廓。
closed ：布尔值，当为True时，表示闭合.
Hu特征：
Hu矩是归一化中心矩的线性组合，Hu矩再图像旋转，缩放，平移等操作后，仍能保持矩的不变性，经常使用 Hu 矩来识别图像的特征。在 OpenCV 中，使用函数 cv2.HuMoments()可以得到 Hu 距。该函数使用 cv2.moments()函数的返回值作为参数，返回 7 个 Hu 矩值。
通过Hu 矩可以来判断两个对象的一致性。但是结果比较抽象，
OpenCV 提供了 cv2.matchShapes() 对两个对象的Hu矩进行比较。
retval = cv2.matchShapes(contour1, contour2, method, 0.0)
contour1 :第一个轮廓或灰度图像。
contour2：第二个灰度或轮廓图像。
method ：比较两个对象的Hu 矩的方法，写1吧
矩形包围框：
retval = cv2.boundingRect( array )
retval:矩形边界左上角顶点的坐标值及矩形边界的宽度和高度。
contour2：第二个灰度或轮廓图像。
method ：比较两个对象的Hu 矩的方法，写1吧
最小外包矩形框：
retval =cv2.minAreaRect( points )
retval:回的矩阵特征信息，结构是(最小外接矩形的中心(x,y),(宽度,高度),旋转角度)。
points：轮廓。
最小包围圆形：
center, radius = cv2.minEnclosingCircle( points )
center：圆形。
radius：半径。
points：轮廓。
最优拟合椭圆：
retval = cv2.fitEllipse( points )
center：RotatedRect 类型的值，这个是拟合椭圆的外界矩形，包含外接矩形的
质心，宽，高，旋转角度等参数信息，这些信息与椭圆的中心点，轴长度，旋转角
度等信息吻合。
points：轮廓。
最优拟合直线：
line = cv2.fitLine( points, distType, param, reps, aeps )
逼近多边形：
在数字化时，要对曲线进行采样，即在曲线上取有限个点，将其变为折线，并且能够在一定程度上保持原有的形状。
approx = cv2.approxPolyDP(contour[0],epsilon,True)
运用以上函数实现读取手掌轮廓
import cv2
import numpy as np
img=cv2.imread("hand.png")
gray1-cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,binary1=cv2.threshold(gray1,20,250,0)
contours,h=cv2.findContours(binary1,cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)
cnt=contours[0]
cnt=cv2.arclength(contours[0],True)
approx1=cv2.approxPolyDP(contours[0],cnt,True)
img=cv2.polylines(adp,[approx1],True,(0,255,0),1)
cv2.imshow("xxw",img)
cv2.waitKey(0)
cv2.destroyAllWindows()