OpenCV-Python获取凸包与凸缺陷详解

小满

发布时间：2026-10-15| 5人浏览过

原创

本文介绍OpenCV-Python中获取图像轮廓凸包的方法，详解cv2.convexHull()函数的参数与返回值。通过实例演示如何绘制凸包多边形，并进一步讲解利用cv2.convexityDefects()计算凸缺陷的步骤。最后结合手势识别案例，展示二值化阈值调整与凸包点集筛选的实际应用，帮助读者掌握轮廓几何分析技巧。

前言

逼近多边形是对图像轮廓的高度近似，而凸包的概念旨在简化这种逼近多边形。凸包与逼近多边形类似，但它特指物体最外层的“凸”多边形结构。

简而言之，凸包是指完全包含原有轮廓，且仅由轮廓上的点构成的多边形。其核心特征是处处为凸，即连接凸包内任意两点的直线段均位于凸包内部，且任意连续三个点形成的内角均小于180度。

在OpenCV库中，提供了cv2.convexHull()函数用于获取轮廓的凸包。该函数的完整定义如下：


def convexHull(points, hull=None, clockwise=None, returnPoints=None):

points：表示输入的轮廓数据。

hull：函数的返回值，即凸包的角点坐标。可以理解为多边形的顶点坐标或其在原轮廓中的索引。

clockwise：布尔类型参数。当设置为True时，返回的凸包角点按顺时针方向排列；若为False，则按逆时针方向排列。

returnPoints：布尔类型参数，默认值为True。当为True时，函数返回凸包角点的x/y坐标；当为False时，函数返回轮廓中对应凸包角点的索引值。

获取凸包角点

在理解凸包的作用及OpenCV提供的函数后，我们可以选取一张图像来实际获取其凸包角点。具体实现代码如下：


import cv2

img = cv2.imread("24.jpg")

cv2.imshow("img", img)
# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

hull=cv2.convexHull(contours[0])

print(hull)

此处我们选取了一张图像，并计算其凸包角点。运行程序后，输出的角点坐标如下：

若将参数returnPoints修改为False，程序将返回对应的6个索引值。

在此基础上，只需添加一行代码即可绘制出凸包多边形，具体添加的代码如下：


#获取hull之后
cv2.polylines(img, [hull], True, (0, 255, 0), 2)
cv2.imshow("img1", img)

运行上述代码后，显示效果如下：

凸缺陷

凸包与原始轮廓之间的区域被称为凸缺陷。在OpenCV中，可以使用cv2.convexityDefects()函数来获取这些凸缺陷，其完整定义如下：


def convexityDefects(contour, convexhull, convexityDefects=None):

contour：表示输入的轮廓数据。

convexhull：表示之前计算得到的凸包数据。

convexityDefects：函数的返回值，为一个凸缺陷点集数组。返回的数据包含[起点索引，终点索引，轮廓上距离凸包最远的点索引，该最远点到凸包的近似距离]。

特别注意，在使用该函数计算凸缺陷前，必须先使用cv2.convexHull()获取凸包，且此时该函数的参数returnPoints必须设置为False。

接下来，我们使用上述方法计算前文图像的凸缺陷。具体代码如下：


import cv2

img = cv2.imread("24.jpg")
cv2.imshow("img", img)

# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

hull = cv2.convexHull(contours[0], returnPoints=False)

defects = cv2.convexityDefects(contours[0], hull)
print(defects)

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

cv2.imshow("img1", img)

cv2.waitKey()
cv2.destroyAllWindows()

运行程序后，效果如下：

如上图所示，图中用点标记出了凸缺陷位置。可以看到，五角星的每个凹肩部分均被识别为凸缺陷。

最后进行扩展说明，OpenCV还提供了cv2.isContourConvex()函数用于判断轮廓是否为凸形。同时，cv2.pointPolygonTest()函数可用于计算点到多边形（或轮廓）的最短距离（即垂线距离），这属于点与多边形关系测试的范畴。感兴趣的读者可自行实验这两个函数。

简单例子手势图片

接下来，我们将介绍一张难度稍高的图像——手势图片（finger.jpg），图像如下所示：

我们将对该手势图像进行凸包检测。基本处理思路与前文一致，但在二值化阈值设定及凸包点集大小的筛选上需做调整。此处设定二值化阈值为235，并仅保留凸包点集中点数大于5的情况。完整的Python代码如下：


import cv2

# 读取图片并转至灰度模式
imagepath = 'F://finger.jpg'
img = cv2.imread(imagepath, 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化，取阈值为235
ret, thresh = cv2.threshold(gray, 235, 255, cv2.THRESH_BINARY)

# 寻找图像中的轮廓
image, contours, hierarchy = cv2.findContours(thresh, 2, 1)

# 寻找物体的凸包并绘制凸包的轮廓
for cnt in contours:
    hull = cv2.convexHull(cnt)
    length = len(hull)
    # 如果凸包点集中的点个数大于5
    if length > 5:
        # 绘制图像凸包的轮廓
        for i in range(length):
            cv2.line(img, tuple(hull[i][0]), tuple(hull[(i+1)%length][0]), (0,0,255), 2)

cv2.imshow('finger', img)
cv2.waitKey()

检测到的凸包结果如下图所示：