opencv中计算两个contour 的最大距离代码

以下是使用OpenCV计算两个轮廓最大距离的示例代码：

import cv2

# 读取图像并转换为灰度图像
image = cv2.imread('image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 阈值化处理
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 查找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 计算最大距离
max_dist = 0
for i in range(len(contours)):
    for j in range(i+1, len(contours)):
        dist = cv2.matchShapes(contours[i], contours[j], cv2.CONTOURS_MATCH_I1, 0)
        if dist > max_dist:
            max_dist = dist

print("最大距离为：", max_dist)

在这个示例中，我们首先读取图像并将其转换为灰度图像，然后进行阈值化处理并查找轮廓。接下来，我们使用一个嵌套的循环计算所有可能的轮廓间距离，并找到最大距离。最后，我们输出最大距离的值。

相关问题

opencv图像处理怎么找轮廓两点的距离

要找轮廓中的两个点之间的距离，可以通过以下步骤实现：

1. 使用findContours函数找到轮廓。

2. 使用approxPolyDP函数将轮廓近似为一个多边形，以便更好地计算轮廓的长度。

3. 使用arcLength函数计算轮廓的长度。

4. 使用cv::Point函数找到轮廓上的两个点。

5. 使用norm函数计算两个点之间的距离。

下面是示例代码：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    Mat image = imread("example.jpg", IMREAD_GRAYSCALE);

    // 二值化图像
    Mat binaryImage;
    threshold(image, binaryImage, 128, 255, THRESH_BINARY);

    // 查找轮廓
    vector<vector<Point>> contours;
    findContours(binaryImage, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE);

    // 近似轮廓为多边形
    vector<Point> contour = contours[0];
    vector<Point> approx;
    approxPolyDP(contour, approx, 0.01 * arcLength(contour, true), true);

    // 找到两个点
    Point p1 = approx[0];
    Point p2 = approx[approx.size() - 1];

    // 计算两点之间的距离
    double distance = norm(p1 - p2);

    cout << "Distance between two points: " << distance << endl;

    return 0;
}

在此示例中，我们首先读取一张图像，然后将其转换为二值图像。接下来，我们使用findContours函数查找轮廓，并使用approxPolyDP函数将其近似为多边形。然后，我们找到轮廓的第一个和最后一个点，并计算它们之间的距离。最后，我们输出距离结果。

使用opencv 编写能够识别图片手势的代码

好的，下面是一个简单的使用 OpenCV 和 Python 编写的手势识别代码示例：

import cv2
import numpy as np

# 将图像转换为黑白格式
def preprocess(img):
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray, (5, 5), 0)
    _, thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    return thresh

# 查找手掌轮廓
def find_contour(thresh):
    contours, _ = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    cnt = max(contours, key=lambda x: cv2.contourArea(x))
    return cnt

# 计算手掌的凸包和凸缩点
def convex_hull(cnt):
    hull = cv2.convexHull(cnt)
    defects = cv2.convexityDefects(cnt, cv2.convexHull(cnt, returnPoints=False))
    return hull, defects

# 计算手势的数量
def count_fingers(defects, cnt):
    count = 0
    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])
        # 计算手指长度和手掌中心距离
        a = np.sqrt((end[0] - start[0]) ** 2 + (end[1] - start[1]) ** 2)
        b = np.sqrt((far[0] - start[0]) ** 2 + (far[1] - start[1]) ** 2)
        c = np.sqrt((end[0] - far[0]) ** 2 + (end[1] - far[1]) ** 2)
        angle = np.arccos((b ** 2 + c ** 2 - a ** 2) / (2 * b * c))
        # 根据角度判断手指数量
        if angle <= np.pi / 2:
            count += 1
    return count

# 主函数
def main():
    cap = cv2.VideoCapture(0)
    while True:
        ret, frame = cap.read()
        if not ret:
            break
        thresh = preprocess(frame)
        cnt = find_contour(thresh)
        hull, defects = convex_hull(cnt)
        count = count_fingers(defects, cnt)
        # 在图像上绘制手指数量
        cv2.putText(frame, str(count), (50, 50), cv2.FONT_HERSHEY_SIMPLEX, 2, (0, 255, 0), 2)
        cv2.imshow('frame', frame)
        if cv2.waitKey(1) == ord('q'):
            break
    cap.release()
    cv2.destroyAllWindows()

if __name__ == '__main__':
    main()

该代码使用 OpenCV 对摄像头捕获到的图像进行处理，通过计算手指数量来识别手势。具体实现过程包括以下几个步骤：

1. 将图像转换为黑白格式，并进行高斯模糊和二值化处理，以便更好地查找手掌轮廓。
2. 查找手掌轮廓，这里使用了 OpenCV 中的 `findContours` 函数。
3. 计算手掌的凸包和凸缩点，这里使用了 `convexHull` 和 `convexityDefects` 函数。
4. 计算手势的数量，根据手指长度和手掌中心距离的关系，通过计算手势中相邻两个凸缩点之间的角度，来判断手指的数量。
5. 在图像上绘制手指数量，以便展示结果。

希望这个示例能帮助你理解手势识别的基本原理和实现方法。