簡介
OpenCV的“findContours”功能經常被計算機視覺工程師用來檢測物體。OpenCV的存在，使得我們只需要編寫幾行程式碼就可以檢測輪廓（物件）。然而，OpenCV檢測到的輪廓通常是分散的。例如，一個功能豐富的影象可能有數百到數千個輪廓，但這並不意味著影象中有那麼多物件。一些屬於同一物件的輪廓是單獨檢測的，因此我們感興趣的是對它們進行分組，使一個輪廓對應一個物件。
實現思路
當我在專案中遇到這個問題時，我花了很多時間嘗試使用不同的引數或不同的OpenCV函式來檢測輪廓，但沒有一個有效。然後，我做了更多的研究，在OpenCV的論壇上找到了一篇帖子，它提到了凝聚聚類。但是，沒有給出原始碼。我還發現sklearn支援聚合聚類，但我沒有使用它，原因有兩個：
這個功能對我來說似乎很複雜。我不知道如何輸入正確的引數，我懷疑輪廓檢測的資料型別是否適合該函式。
我需要使用python 2。7、OpenCV 3。3。1和Numpy 1。11。3。它們與sklearn的版本（0。20+）不相容，後者支援聚類。
原始碼
為了分享我編寫的函式，我在Github中對其進行了開源，並將其作為要點發布在下面。以下版本適用於Python3，若需要要在Python2。7中使用它，只需將“range”更改為“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”函式獲取輪廓的邊界框，並計算兩個矩形之間的距離。
“merge_contours”函式，我們只需使用‘numpy。concatenate’即可，因為每個輪廓只是一個點的numpy陣列。
使用聚類演算法，我們不需要事先知道有多少個聚類。相反，可以向函式提供閾值距離，例如40個畫素，因此如果所有輪廓中最近的距離大於閾值，則函式將停止處理。
結果
要視覺化叢集效果，請參見下面的兩幅影象。第一幅影象顯示最初檢測到12個輪廓，聚類後只剩下4個輪廓，如第二幅影象所示。這兩個小物件是由於噪聲造成的，它們沒有合併，因為與閾值距離相比，它們離太遠。
