简介

OpenCV的“findContours”功能经常被计算机视觉工程师用来检测物体。OpenCV的存在，使得我们只需要编写几行代码就可以检测轮廓（对象）。然而，OpenCV检测到的轮廓通常是分散的。例如，一个功能丰富的图像可能有数百到数千个轮廓，但这并不意味着图像中有那么多对象。一些属于同一对象的轮廓是单独检测的，因此我们感兴趣的是对它们进行分组，使一个轮廓对应一个对象。

实现思路

当我在项目中遇到这个问题时，我花了很多时间尝试使用不同的参数或不同的OpenCV函数来检测轮廓，但没有一个有效。然后，我做了更多的研究，在OpenCV的论坛上找到了一篇帖子，它提到了凝聚聚类。但是，没有给出源代码。我还发现sklearn支持聚合聚类，但我没有使用它，原因有两个：

这个功能对我来说似乎很复杂。我不知道如何输入正确的参数，我怀疑轮廓检测的数据类型是否适合该函数。我需要使用python 2.7、OpenCV 3.3.1和Numpy 1.11.3。它们与sklearn的版本（0.20+）不兼容，后者支持聚类。

源代码

为了分享我编写的函数，我在Github中对其进行了开源，并将其作为要点发布在下面。以下版本适用于Python3，若需要要在Python2.7中使用它，只需将“range”更改为“xrange”。

#!/usr/bin/env python3import osimport cv2import numpydef calculate_contour_distance(contour1, contour2):     x1, y1, w1, h1 = cv2.boundingRect(contour1)    c_x1 = x1 + w1/2    c_y1 = y1 + h1/2    x2, y2, w2, h2 = cv2.boundingRect(contour2)    c_x2 = x2 + w2/2    c_y2 = y2 + h2/2    return max(abs(c_x1 - c_x2) - (w1 + w2)/2, abs(c_y1 - c_y2) - (h1 + h2)/2)def merge_contours(contour1, contour2):    return numpy.concatenate((contour1, contour2), axis=0)def agglomerative_cluster(contours, threshold_distance=40.0):    current_contours = contours    while len(current_contours) > 1:        min_distance = None        min_coordinate = None        for x in range(len(current_contours)-1):            for y in range(x+1, len(current_contours)):                distance = calculate_contour_distance(current_contours[x], current_contours[y])                if min_distance is None:                    min_distance = distance                    min_coordinate = (x, y)                elif distance < min_distance:                    min_distance = distance                    min_coordinate = (x, y)        if min_distance < threshold_distance:            index1, index2 = min_coordinate            current_contours[index1] = merge_contours(current_contours[index1], current_contours[index2])            del current_contours[index2]        else:             break    return current_contours

注意：

“calculate_contour_distance”函数获取轮廓的边界框，并计算两个矩形之间的距离。“merge_contours”函数，我们只需使用'numpy.concatenate'即可，因为每个轮廓只是一个点的numpy数组。使用聚类算法，我们不需要事先知道有多少个聚类。相反，可以向函数提供阈值距离，例如40个像素，因此如果所有轮廓中最近的距离大于阈值，则函数将停止处理。

结果

要可视化集群效果，请参见下面的两幅图像。第一幅图像显示最初检测到12个轮廓，聚类后只剩下4个轮廓，如第二幅图像所示。这两个小对象是由于噪声造成的，它们没有合并，因为与阈值距离相比，它们离太远。