我必须根据它们之间的距离连接图像中附近的轮廓，这指定是否要连接轮廓。
现在这里已经有一个关于相同问题的问题https://stackoverflow.com/questions/8973017/opencv-c-obj-c-connect-nearby-contours但在这里他将所有轮廓合并为一个。这是我不想要的。我不认为opencv中有一些功能，但你可以为此建议一个算法。我的应用程序是这样的：
我正在检测手，所以我使用了皮肤检测算法来确定它们，但由于我的皮肤不是白色的，并且可能是因为光照条件有时肘部的轮廓断裂。所以我希望连接附近的轮廓，但不是全部（因为我的两只手都会在轮廓中。）（我的意思是从肩膀到手掌。）
此外，我认为通过使用一些边缘检测，我会得到我的手的边界，并检测这个边界内的一些补丁是否被检测为皮肤，然后这个边界内的整个区域将被检测为皮肤，但我不知道该怎么做部分。
任何帮助将不胜感激。提前致谢
示例图片：
在这张图片中，我想连接距离小于 40 像素的点（8 个连接），以便我将左手作为单个轮廓
我的目标是只得到手的轮廓（我不关心任何其他区域）
如果您不担心手部的速度或精确轮廓，以下是一个简单的解决方案。
方法是这样的：你取每个轮廓并找到到其他轮廓的距离。如果距离小于 50，它们就在附近，你把它们放在一起。如果不是，则将它们视为不同。
因此检查到每个轮廓的距离是一个耗时的过程。需要几秒钟。因此，您无法实时进行。
此外，为了加入轮廓，我将它们放在一个集合中并为该集合绘制了一个凸包。所以你得到的结果实际上是手的凸包，而不是真正的手。
下面是我在 OpenCV-Python 中的一段代码。我没有进行任何优化，只是想让它工作，仅此而已。如果它解决了您的问题，请进行优化。
import cv2
import numpy as np
def find_if_close(cnt1,cnt2):
row1,row2 = cnt1.shape[0],cnt2.shape[0]
for i in xrange(row1):
for j in xrange(row2):
dist = np.linalg.norm(cnt1[i]-cnt2[j])
if abs(dist) < 50 :
return True
elif i==row1-1 and j==row2-1:
return False
img = cv2.imread('dspcnt.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(gray,127,255,0)
contours,hier = cv2.findContours(thresh,cv2.RETR_EXTERNAL,2)
LENGTH = len(contours)
status = np.zeros((LENGTH,1))
for i,cnt1 in enumerate(contours):
x = i
if i != LENGTH-1:
for j,cnt2 in enumerate(contours[i+1:]):
x = x+1
dist = find_if_close(cnt1,cnt2)
if dist == True:
val = min(status[i],status[x])
status[x] = status[i] = val
else:
if status[x]==status[i]:
status[x] = i+1
unified = []
maximum = int(status.max())+1
for i in xrange(maximum):
pos = np.where(status==i)[0]
if pos.size != 0:
cont = np.vstack(contours[i] for i in pos)
hull = cv2.convexHull(cont)
unified.append(hull)
cv2.drawContours(img,unified,-1,(0,255,0),2)
cv2.drawContours(thresh,unified,-1,255,-1)
以下是我得到的结果：
要解决连接问题，您可以尝试关闭操作：
cv::Mat structuringElement = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(40, 40));
cv::morphologyEx( inputImage, outputImage, cv::MORPH_CLOSE, structuringElement );
我怀疑这会产生你想要的结果，但你可以试一试。
看起来你正在“过度分割”你的形象。正如 bjnoernz 所建议的，形态学操作会有所帮助。特别是，分水岭方法应该更接近您想要的，而不仅仅是检查距离（如上面的 python 示例）。见http://cmm.ensmp.fr/~beucher/wtshed.html。