如何用OpenCV Python判断轮廓的平滑度或粗糙度？

当然可以！针对你提到的「简单几何图因外轮廓附加物导致失真，Feature Matching和matchShapes无法准确判定」的场景，OpenCV有不少实用的方法来量化轮廓的平滑度/粗糙度，下面是几个经过实践验证的方案：

1. 基于轮廓近似的差异计算 #

这个方法的核心思路是：平滑的轮廓可以用简单的多边形近似来拟合，而带有附加物的失真轮廓，原始轮廓和近似轮廓之间会有明显的面积或形状差异。

具体步骤：

• 先对图像做二值化，提取目标外轮廓
• 使用cv2.approxPolyDP()生成轮廓的多边形近似（通过调整epsilon参数控制近似程度）
• 计算原始轮廓与近似轮廓的面积差，或者用Hausdorff距离衡量形状差异

示例代码：

import cv2
import numpy as np

# 图像预处理：读取、二值化、提取外轮廓
img = cv2.imread("target_img.png", 0)
_, binary = cv2.threshold(img, 240, 255, cv2.THRESH_BINARY_INV)
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
target_contour = contours[0]  # 假设只有一个目标轮廓

# 计算轮廓周长，生成近似轮廓
perimeter = cv2.arcLength(target_contour, closed=True)
epsilon = 0.01 * perimeter  # 系数越小，近似越精细；可根据需求调整
approx_contour = cv2.approxPolyDP(target_contour, epsilon, closed=True)

# 计算面积差作为粗糙程度指标
area_original = cv2.contourArea(target_contour)
area_approx = cv2.contourArea(approx_contour)
area_diff = abs(area_original - area_approx)

# 设定阈值判断是否失真
roughness_threshold = 50  # 根据你的图像尺寸校准
if area_diff > roughness_threshold:
    print("轮廓存在附加物导致的失真（粗糙）")
else:
    print("轮廓平滑")

2. 基于轮廓点的曲率/角度突变统计 #

平滑轮廓的相邻线段角度变化平缓，而附加物带来的小凸起会导致大量角度突变。通过统计这些突变的数量，可以量化轮廓的粗糙程度。

示例代码：

def calculate_roughness_by_angle(contour, angle_threshold=160):
    """
    统计轮廓中角度小于阈值的点数量，数量越多越粗糙
    :param angle_threshold: 平滑轮廓的角度阈值（接近180度）
    """
    roughness_score = 0
    points = contour.reshape(-1, 2)
    total_points = len(points)
    
    for i in range(total_points):
        # 取连续三个点（闭合轮廓，循环取点）
        p_prev = points[i]
        p_curr = points[(i+1) % total_points]
        p_next = points[(i+2) % total_points]
        
        # 计算向量
        vec1 = p_prev - p_curr
        vec2 = p_next - p_curr
        
        # 计算夹角（避免除以零）
        dot_product = np.dot(vec1, vec2)
        norm_product = np.linalg.norm(vec1) * np.linalg.norm(vec2) + 1e-8
        angle = np.degrees(np.arccos(dot_product / norm_product))
        
        # 角度越小，说明凸起越明显
        if angle < angle_threshold:
            roughness_score += 1
    return roughness_score

# 使用示例
roughness = calculate_roughness_by_angle(target_contour)
if roughness > 20:  # 根据你的样本校准阈值
    print("轮廓粗糙，存在附加物")
else:
    print("轮廓平滑")

3. 基于傅里叶描述子的高频分量分析 #

傅里叶描述子可以把轮廓分解为低频（整体形状）和高频（细节/凸起）分量。带有附加物的轮廓高频分量占比更高，通过计算原始轮廓与低频重构轮廓的差异，就能判断粗糙程度。

示例代码：

def fourier_based_roughness(contour, low_freq_count=10):
    """
    保留前N个低频分量重构轮廓，计算与原始轮廓的均方误差
    """
    points = contour.reshape(-1, 2)
    # 转换为复数序列
    complex_contour = points[:, 0] + 1j * points[:, 1]
    # 傅里叶变换
    fft_vals = np.fft.fft(complex_contour)
    # 置零高频分量，只保留低频
    fft_vals[low_freq_count:-low_freq_count] = 0
    # 逆傅里叶变换重构轮廓
    reconstructed_complex = np.fft.ifft(fft_vals)
    reconstructed_points = np.column_stack((np.real(reconstructed_complex), np.imag(reconstructed_complex))).astype(np.int32)
    
    # 计算均方误差作为粗糙指标
    mse = np.mean(np.linalg.norm(points - reconstructed_points, axis=1))
    return mse

# 使用示例
mse_score = fourier_based_roughness(target_contour)
if mse_score > 2:  # 阈值根据图像尺寸校准
    print("轮廓存在高频细节（附加物），粗糙")
else:
    print("轮廓平滑")

关键注意事项 #

• 预处理优先：确保图像是白色背景+清晰的目标轮廓，必要时用形态学开运算（cv2.morphologyEx()）去掉小噪声，避免干扰轮廓提取。
• 阈值校准：每个方法的阈值都需要用你的样本图像（已知平滑/失真的几何图）来调整，确保符合你的场景需求。
• 多方法结合：可以同时用2-3种方法的结果综合判断，提升准确性。

内容的提问来源于stack exchange，提问作者DIYGuy3030