review.tizen.org Git - platform/upstream/opencv.git/blob

   1 Contours : More Functions {#tutorial_py_contours_more_functions}
   2 =========================
   3
   4 Goal
   5 ----
   6
   7 In this chapter, we will learn about
   8     -   Convexity defects and how to find them.
   9     -   Finding shortest distance from a point to a polygon
  10     -   Matching different shapes
  11
  12 Theory and Code
  13 ---------------
  14
  15 ### 1. Convexity Defects
  16
  17 We saw what is convex hull in second chapter about contours. Any deviation of the object from this
  18 hull can be considered as convexity defect.
  19
  20 OpenCV comes with a ready-made function to find this, **cv.convexityDefects()**. A basic function
  21 call would look like below:
  22 @code{.py}
  23 hull = cv.convexHull(cnt,returnPoints = False)
  24 defects = cv.convexityDefects(cnt,hull)
  25 @endcode
  26
  27 @note Remember we have to pass returnPoints = False while finding convex hull, in order to find
  28 convexity defects.
  29
  30 It returns an array where each row contains these values - **[ start point, end point, farthest
  31 point, approximate distance to farthest point ]**. We can visualize it using an image. We draw a
  32 line joining start point and end point, then draw a circle at the farthest point. Remember first
  33 three values returned are indices of cnt. So we have to bring those values from cnt.
  34
  35 @code{.py}
  36 import cv2 as cv
  37 import numpy as np
  38
  39 img = cv.imread('star.jpg')
  40 img_gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
  41 ret,thresh = cv.threshold(img_gray, 127, 255,0)
  42 im2,contours,hierarchy = cv.findContours(thresh,2,1)
  43 cnt = contours[0]
  44
  45 hull = cv.convexHull(cnt,returnPoints = False)
  46 defects = cv.convexityDefects(cnt,hull)
  47
  48 for i in range(defects.shape[0]):
  49     s,e,f,d = defects[i,0]
  50     start = tuple(cnt[s][0])
  51     end = tuple(cnt[e][0])
  52     far = tuple(cnt[f][0])
  53     cv.line(img,start,end,[0,255,0],2)
  54     cv.circle(img,far,5,[0,0,255],-1)
  55
  56 cv.imshow('img',img)
  57 cv.waitKey(0)
  58 cv.destroyAllWindows()
  59 @endcode
  60 And see the result:
  61
  62 ![image](images/defects.jpg)
  63
  64 ### 2. Point Polygon Test
  65
  66 This function finds the shortest distance between a point in the image and a contour. It returns the
  67 distance which is negative when point is outside the contour, positive when point is inside and zero
  68 if point is on the contour.
  69
  70 For example, we can check the point (50,50) as follows:
  71 @code{.py}
  72 dist = cv.pointPolygonTest(cnt,(50,50),True)
  73 @endcode
  74 In the function, third argument is measureDist. If it is True, it finds the signed distance. If
  75 False, it finds whether the point is inside or outside or on the contour (it returns +1, -1, 0
  76 respectively).
  77
  78 @note If you don't want to find the distance, make sure third argument is False, because, it is a
  79 time consuming process. So, making it False gives about 2-3X speedup.
  80
  81 ### 3. Match Shapes
  82
  83 OpenCV comes with a function **cv.matchShapes()** which enables us to compare two shapes, or two
  84 contours and returns a metric showing the similarity. The lower the result, the better match it is.
  85 It is calculated based on the hu-moment values. Different measurement methods are explained in the
  86 docs.
  87 @code{.py}
  88 import cv2 as cv
  89 import numpy as np
  90
  91 img1 = cv.imread('star.jpg',0)
  92 img2 = cv.imread('star2.jpg',0)
  93
  94 ret, thresh = cv.threshold(img1, 127, 255,0)
  95 ret, thresh2 = cv.threshold(img2, 127, 255,0)
  96 im2,contours,hierarchy = cv.findContours(thresh,2,1)
  97 cnt1 = contours[0]
  98 im2,contours,hierarchy = cv.findContours(thresh2,2,1)
  99 cnt2 = contours[0]
 100
 101 ret = cv.matchShapes(cnt1,cnt2,1,0.0)
 102 print( ret )
 103 @endcode
 104 I tried matching shapes with different shapes given below:
 105
 106 ![image](images/matchshapes.jpg)
 107
 108 I got following results:
 109
 110 -   Matching Image A with itself = 0.0
 111 -   Matching Image A with Image B = 0.001946
 112 -   Matching Image A with Image C = 0.326911
 113
 114 See, even image rotation doesn't affect much on this comparison.
 115
 116 @sa [Hu-Moments](http://en.wikipedia.org/wiki/Image_moment#Rotation_invariant_moments) are seven
 117 moments invariant to translation, rotation and scale. Seventh one is skew-invariant. Those values
 118 can be found using **cv.HuMoments()** function.
 119
 120 Additional Resources
 121 ====================
 122
 123 Exercises
 124 ---------
 125
 126 -#  Check the documentation for **cv.pointPolygonTest()**, you can find a nice image in Red and
 127     Blue color. It represents the distance from all pixels to the white curve on it. All pixels
 128     inside curve is blue depending on the distance. Similarly outside points are red. Contour edges
 129     are marked with White. So problem is simple. Write a code to create such a representation of
 130     distance.
 131 -#  Compare images of digits or letters using **cv.matchShapes()**. ( That would be a simple step
 132     towards OCR )