### OpenCV Python 中轮廓 contour 的数据结构 在 OpenCV-Python 中，轮廓（contour）是图像中具有相同颜色或强度的点的边界曲线。轮廓通常以层次结构的形式表示，其数据结构是一个列表，其中每个元素是一个 Numpy 数组，代表一个单独的轮廓[^1]。 #### 轮廓的数据结构 轮廓由 `cv2.findContours()` 函数返回，结果是一个包含多个轮廓的列表。每个轮廓是一个 Numpy 数组，形状为 `(number_of_points, 1, 2)`，其中： - `number_of_points` 表示轮廓中的点数。 - 每个点的坐标以 `[x, y]` 的形式存储，表示该点在图像中的位置。 例如，假设有一个简单的轮廓，包含三个点，则其结构如下： ```python [ array([[[10, 10]], [[20, 20]], [[30, 30]]], dtype=int32) ] ``` 上述代码表示一个包含三个点的轮廓，每个点的坐标分别为 `(10, 10)`、`(20, 20)` 和 `(30, 30)`。 #### 示例代码：访问轮廓数据 以下代码展示了如何获取和打印轮廓的数据结构： ```python import cv2 import numpy as np # 创建一个简单的二值图像 img = np.zeros((500, 500), dtype=np.uint8) cv2.rectangle(img, (100, 100), (300, 300), 255, -1) # 查找轮廓 contours, _ = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 打印轮廓数据结构 print("Contour Structure:") for contour in contours: print(contour) ``` #### 轮廓中心坐标的计算 为了将具有相近轮廓中心坐标的多个轮廓归为一类，需要计算每个轮廓的质心。质心可以通过轮廓的几何矩计算得出。具体步骤如下： 1. 使用 `cv2.moments()` 计算轮廓的几何矩。 2. 根据公式 `cx = M['m10'] / M['m00']` 和 `cy = M['m01'] / M['m00']` 计算质心坐标。 以下是计算质心的代码示例： ```python def get_contour_centers(contours): centers = [] for contour in contours: M = cv2.moments(contour) if M["m00"] != 0: # 避免除以零的情况 cx = int(M["m10"] / M["m00"]) cy = int(M["m01"] / M["m00"]) centers.append((cx, cy)) return centers ``` #### 轮廓分组方法 通过计算轮廓的质心坐标后，可以使用 K-Means 聚类算法将具有相近中心坐标的轮廓归为一类。K-Means 是一种无监督学习方法，能够根据数据点的空间分布将其划分为若干簇[^3]。 以下是基于 K-Means 进行轮廓分组的代码示例： ```python from sklearn.cluster import KMeans def group_contours_by_centers(centers, num_clusters): kmeans = KMeans(n_clusters=num_clusters, random_state=0).fit(centers) labels = kmeans.labels_ return labels ``` #### 完整流程 以下是完整的流程，包括轮廓提取、质心计算和分组： ```python def process_image_and_group_contours(image, num_clusters): gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) _, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 全局二值化 contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 轮廓提取 centers = get_contour_centers(contours) labels = group_contours_by_centers(centers, num_clusters) # 绘制分组结果 grouped_image = image.copy() for i, contour in enumerate(contours): color = (np.random.randint(0, 255), np.random.randint(0, 255), np.random.randint(0, 255)) cv2.drawContours(grouped_image, [contour], -1, color, 2) cv2.putText(grouped_image, str(labels[i]), centers[i], cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2) return grouped_image ```