我们都知道正方形（长方形）的中心是2条对角线的交点，圆的中心是一个圆的圆心，如何在对象检测以及图片检测与识别领域，判断一个形状的中心，便是计算机视觉领域中的一个基础检测

Opencv+python 实现物体形状的质心检测

OpenCV（Open Source Computer Vision Library）是一个开源的计算机视觉和机器学习软件库。OpenCV的建立是为了给计算机视觉应用提供一个通用的基础设施，并加速机器感知在商业产品中的应用。作为BSD授权的产品，OpenCV使企业很容易利用和修改代码。

它拥有C++、Python、Java和MATLAB接口，支持Windows、Linux、Android和Mac OS。OpenCV主要倾向于实时视觉应用，并在可用时利用MMX和SSE指令。目前正在积极开发全功能的CUDAand OpenCL接口。有超过500种算法和大约10倍的函数组成或支持这些算法。OpenCV是用C++原生编写的，有一个模板化的接口，可以与STL容器无缝对接。

Opencv在计算机视觉领域的发挥了很大的作用，大部分的计算机视觉领域的相关应用都可以使用OpenCV来实现，当然很多神经网络训练的模型库，OpenCV也可以进行模型的调用，很大程度上方便了用户的使用

import cv2
import numpy as np
img = cv2.imread('13.jpg')
gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray_image,127,255,0)
M = cv2.moments(thresh)
cX = int(M["m10"] / M["m00"])
cY = int(M["m01"] / M["m00"])
cv2.circle(img, (cX, cY), 5, (255, 255, 255), -1)
cv2.putText(img, "centroid", (cX - 25, cY - 25),cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)
cv2.imshow("Image", img)
cv2.waitKey(0)

首先读入一张我们需要寻找质心的图片，并转换到灰度空间，然后使用OpenCV二值化函数进行处理

opencv二值化的cv2.threshold简单阈值函数

简单阈值当然是最简单，选取一个全局阈值，然后就把整幅图像分成了非黑即白的二值图像了。

函数为cv2.threshold()：

这个函数有四个参数：
第一个原图像
第二个进行分类的阈值
第三个是高于（低于）阈值时赋予的新值
第四个是一个方法选择参数，常用的有：
? cv2.THRESH_BINARY（黑白二值）
? cv2.THRESH_BINARY_INV（黑白二值反转）
? cv2.THRESH_TRUNC （得到的图像为多像素值）
? cv2.THRESH_TOZERO? cv2.THRESH_TOZERO_INV
该函数有两个返回值，第一个retVal（得到的阈值值）
第二个就是阈值化后的图像。

当然OpenCV除了简单的二值化函数外，还提供了自适应阈值函数

自适应阈值可以看成一种局部性的阈值，通过规定一个区域大小，比较这个点与区域大小里面像素点的平均值（或者其他特征）的大小关系确定这个像素点是属于黑或者白（如果是二值情况）。使用的函数为：cv2.adaptiveThreshold（）该函数需要填6个参数：

· 第一个原始图像
· 第二个像素值上限
· 第三个自适应方法Adaptive Method:— cv2.ADAPTIVE_THRESH_MEAN_C ：
领域内均值—cv2.ADAPTIVE_THRESH_GAUSSIAN_C ：领域内像素点加权和，
权 重为一个高斯窗口
· 第四个值的赋值方法：只有cv2.THRESH_BINARY 和cv2.THRESH_BINARY_INV
· 第五个Block size:规定领域大小（一个正方形的领域）
· 第六个常数C，阈值等于均值或者加权值减去这个常数
（为0相当于阈值 就是求得领域内均值或者加权值）
这种方法理论上得到的效果更好，相当于在动态自适应的调整属于自己像素点的阈值，
而不是整幅图像都用一个阈值。

使用中心距函数进行图片的中心检测

opencv中提供了moments()来计算图像中的中心矩(最高到三阶)，HuMoments()用于由中心矩计算Hu矩.同时配合函数contourArea函数计算轮廓面积和arcLength来计算轮廓或曲线长度
moments()
cv::moments ( InputArray array,
bool binaryImage = false
)
array:输入数组，可以是光栅图像(单通道，8-bit或浮点型二维数组),
  或者是一个二维数组(1 X N或N X 1),二维数组类型为Point或Point2f
binaryImage:默认值是false，如果为true，
则所有非零的像素都会按值1对待，也就是说相当于对图像进行了二值化处理，阈值为1，
此参数仅对图像有效。

通过以上步骤，便可以成功检测到图片的中心了

Opencv+python 实现多物体形状的质心检测

绝大多数的时候，我们的图片中包含了不仅一种形状的物品，如何同时检测多个物品的中心？

import cv2
import numpy as np

img = cv2.imread('11.png')

gray_image = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray_image,127,255,0)
contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
for c in contours:
M = cv2.moments(c)
cX = int(M["m10"] / M["m00"])
cY = int(M["m01"] / M["m00"])

cv2.circle(img, (cX, cY), 5, (255, 255, 255), -1)
cv2.putText(img, "centroid", (cX - 25, cY - 25),cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255, 255, 255), 2)
cv2.imshow("Image", img)
cv2.waitKey(0)

跟单一图形检测中心对比，多图形检测中心增加了cv2.findContours函数

cv2.findContours()函数

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])  

opencv2返回两个值：contours：hierarchy。

opencv3会返回三个值,分别是img, countours, hierarchy

参数：

第一个参数是寻找轮廓的图像；

第二个参数表示轮廓的检索模式，有四种（本文介绍的都是新的cv2接口）： cv2.RETR_EXTERNAL表示只检测外轮廓 cv2.RETR_LIST检测的轮廓不建立等级关系 cv2.RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。 cv2.RETR_TREE建立一个等级树结构的轮廓。

第三个参数method为轮廓的近似办法 cv2.CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1 cv2.CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息 cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似

返回值

cv2.findContours()函数返回两个值，一个是轮廓本身，还有一个是每条轮廓对应的属性。

contour返回值

cv2.findContours()函数首先返回一个list，list中每个元素都是图像中的一个轮廓，用numpy中的ndarray表示。

通过cv2.findContours函数便可以成功找到图形的外轮廓，如下图

外轮廓检测完成后，可以使用cv2.drawContours函数对图片的轮廓进行标注出来

cv2.drawContours(img,contours,-1,(0,0,255),3)

cv2.drawContours()函数

1. cv2.drawContours(image, contours, contourIdx, color
                    [, thickness[, lineType[, hierarchy[, maxLevel[, offset ]]]]])  
· 第一个参数是指明在哪幅图像上绘制轮廓；
· 第二个参数是轮廓本身，在Python中是一个list。
· 第三个参数指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓。
后面的参数很简单。其中thickness表明轮廓线的宽度，如果是-1（cv2.FILLED），则为填充模式
当检测到多个轮廓后，便可以遍历多个轮廓，对每个图形进行质心的检测

通过以上的步骤，便可以检测到形状的外轮廓，并找到图片的中心，这些技术在工业视觉领域应用比较多，我们专栏中《打造属于自己的天眼目标检测追踪系统》中也用类似的介绍，哪里我们介绍了人脸的质心检测与 人脸质心的目标追踪