# 4.4. 轮廓：更多功能¶

## 4.4.1. 目标¶

-凸性缺陷及其发现方法。-寻找从一个点到多边形的最短距离-匹配不同形状

## 4.4.2. 理论与规范¶

### 1. 凸缺陷¶

OpenCV附带了一个现成的函数来查找这个， cv2.凸性影响（） . 基本函数调用如下所示：

>>> %matplotlib inline
>>> import matplotlib.pyplot as plt
>>>
>>> import cv2
>>> import numpy as np
>>> ret,thresh = cv2.threshold(img,127,255,0)

>>> contours,hierarchy,aa = cv2.findContours(thresh, 1, 2)

>>> for cnt in hierarchy:
>>>     area = cv2.contourArea(cnt)
>>>     print(area)

4.0
4.0
2.0
2.0
8.5
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
76185.5

>>> hull = cv2.convexHull(cnt,returnPoints = False)
>>> defects = cv2.convexityDefects(cnt,hull)


>>> import cv2
>>> import numpy as np
>>>
>>> img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
>>> ret, thresh = cv2.threshold(img_gray, 127, 255,0)
>>> contours,hierarchy, aa = cv2.findContours(thresh,2,1)

>>> for cnt in hierarchy:
>>>     area = cv2.contourArea(cnt)
>>>     print(area)

76188.5
4.0
4.0
2.0
2.0
8.5
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0
2.0

>>> hull = cv2.convexHull(cnt,returnPoints = False)
>>> hull

array([[2],
[3],
[0],
[1]], dtype=int32)

>>> defects = cv2.convexityDefects(cnt,hull)
>>> defects

>>> for i in range(defects.shape[0]):
>>>     s,e,f,d = defects[i,0]
>>>     start = tuple(cnt[s][0])
>>>     end = tuple(cnt[e][0])
>>>     far = tuple(cnt[f][0])
>>>     cv2.line(img,start,end,[0,255,0],2)
>>>     cv2.circle(img,far,5,[0,0,255],-1)
>>>
>>> # cv2.imshow('img',img)
>>> # cv2.waitKey(0)
>>> # cv2.destroyAllWindows()

---------------------------------------------------------------------------

AttributeError                            Traceback (most recent call last)

<ipython-input-12-c616904b8ea3> in <module>()
2 defects = cv2.convexityDefects(cnt,hull)
3
----> 4 for i in range(defects.shape[0]):
5     s,e,f,d = defects[i,0]
6     start = tuple(cnt[s][0])

AttributeError: 'NoneType' object has no attribute 'shape'


### 2. 点多边形测试¶

>>> dist = cv2.pointPolygonTest(cnt,(50,50),True)


### 3. 匹配形状¶

OpenCV带有一个函数 匹配形状（） 它使我们能够比较两个形状或两个轮廓，并返回显示相似性的度量。结果越低，匹配越好。它是根据hu矩值计算的。文件中解释了不同的测量方法。

>>> import cv2
>>> import numpy as np
>>>
>>>
>>> ret, thresh = cv2.threshold(img1, 127, 255,0)
>>> ret, thresh2 = cv2.threshold(img2, 127, 255,0)
>>> contours,hierarchy = cv2.findContours(thresh,2,1)
>>> cnt1 = contours[0]
>>> contours,hierarchy = cv2.findContours(thresh2,2,1)
>>> cnt2 = contours[0]
>>>
>>> ret = cv2.matchShapes(cnt1,cnt2,1,0.0)
>>> print ret


• 将图像A与自身匹配=0.0

• 将图像A与图像B匹配=0.001946

• 将图像A与图像C匹配=0.326911

Hu-Moments 是平移、旋转和缩放不变的七个矩。第七个是斜不变。这些值可以使用 第二节休谟茨（） 功能。

## 4.4.4. 练习¶

1. 检查文档 cv2.点多边形测试（） ，你可以找到一个红色和蓝色的好图像。它表示从所有像素到白色曲线的距离。曲线内的所有像素均为蓝色，具体取决于距离。同样，外部点是红色的。轮廓边缘用白色标记。所以问题很简单。编写一个代码来创建这种距离表示。

2. 使用比较数字或字母的图像 匹配形状（） . （这将是迈向OCR的一个简单步骤）