OpenCV 图像轮廓检测

OpenCV 图像轮廓检测 教程（中文）重点讲解 OpenCV 中用于轮廓检测的核心功能，主要基于 imgproc 模块的 findContours 和 drawContours 函数。轮廓检测用于提取图像中对象的边界，广泛应用于形状分析、对象识别和图像分割。本教程涵盖轮廓检测、绘制、属性计算（如面积、周长）、层次结构分析，以及实际应用示例，提供清晰的 Python 代码示例、解释和注意事项，适合初学者快速上手。假设你已安装 OpenCV（opencv-python）。

一、图像轮廓检测概述

轮廓：图像中具有相同颜色或强度的连续点的边界，通常是二值图像中白色区域（前景）的边界。
应用场景：
形状分析：识别圆形、矩形等形状。
对象分割：分离前景和背景。
特征提取：为目标识别或跟踪提供边界信息。
关键函数：
cv2.findContours：查找轮廓，返回轮廓点集和层次信息。
cv2.drawContours：绘制轮廓到图像。
属性函数：cv2.contourArea（面积）、cv2.arcLength（周长）、cv2.boundingRect（边界框）等。
输入要求：
通常为二值图像（0 和 255，uint8 类型），可通过阈值处理或边缘检测生成。
建议预处理（如高斯模糊、Canny 边缘检测）以提高轮廓质量。

二、核心轮廓检测功能与代码示例

以下按功能分类，逐一讲解并提供 Python 示例代码。

2.1 查找和绘制轮廓 (`cv2.findContours`, `cv2.drawContours`)

findContours 检测二值图像中的轮廓，drawContours 将轮廓绘制到图像上。

示例：基本轮廓检测

import cv2
import numpy as np

# 读取图像并转换为灰度
img = cv2.imread('shapes.jpg')  # 替换为包含简单形状的图像路径
if img is None:
    print("错误：无法加载图像")
    exit()

# 转换为灰度并二值化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 查找轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓
img_contours = img.copy()
cv2.drawContours(img_contours, contours, -1, (0, 255, 0), 2)  # 绿色轮廓，线宽 2

# 显示结果
cv2.imshow('原始图像', img)
cv2.imshow('二值图像', binary)
cv2.imshow('轮廓', img_contours)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存结果
cv2.imwrite('contours.jpg', img_contours)

说明：

输入：二值图像（白色前景，黑色背景）。
参数：
mode（检索模式）：
- cv2.RETR_EXTERNAL：仅外部轮廓。
- cv2.RETR_LIST：所有轮廓，无层次。
- cv2.RETR_CCOMP：两级层次（内外轮廓）。
- cv2.RETR_TREE：完整层次结构。
method（近似方法）：
- cv2.CHAIN_APPROX_SIMPLE：压缩水平/垂直线，节省内存。
- cv2.CHAIN_APPROX_NONE：存储所有点。
输出：
contours：轮廓列表，每个轮廓是点集（numpy 数组）。
hierarchy：层次结构，格式为 [Next, Previous, FirstChild, Parent]。
drawContours：-1 表示绘制所有轮廓，颜色为 BGR 格式。

2.2 轮廓属性计算

计算轮廓的面积、周长、边界框等属性，用于形状分析。

示例：计算面积、周长和边界框

import cv2
import numpy as np

# 读取图像并转换为灰度
img = cv2.imread('shapes.jpg')
if img is None:
    print("错误：无法加载图像")
    exit()

# 转换为灰度并二值化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓并计算属性
img_contours = img.copy()
for i, cnt in enumerate(contours):
    # 面积
    area = cv2.contourArea(cnt)
    # 周长（True 表示闭合轮廓）
    perimeter = cv2.arcLength(cnt, True)
    # 边界框
    x, y, w, h = cv2.boundingRect(cnt)
    print(f"轮廓 {i+1}: 面积={area:.2f}, 周长={perimeter:.2f}, 边界框=({x}, {y}, {w}, {h})")

    # 绘制轮廓和边界框
    cv2.drawContours(img_contours, [cnt], -1, (0, 255, 0), 2)
    cv2.rectangle(img_contours, (x, y), (x+w, y+h), (255, 0, 0), 1)

# 显示结果
cv2.imshow('原始图像', img)
cv2.imshow('轮廓与边界框', img_contours)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存结果
cv2.imwrite('contours_with_boxes.jpg', img_contours)

输出示例（假设图像包含多个形状）：

轮廓 1: 面积=500.00, 周长=100.00, 边界框=(50, 50, 30, 30)
轮廓 2: 面积=1200.50, 周长=150.25, 边界框=(100, 100, 50, 50)

说明：

contourArea：计算轮廓面积（像素单位）。
arcLength：计算周长，True 表示闭合轮廓。
boundingRect：返回边界框 (x, y, width, height)。

2.3 轮廓层次结构

使用 hierarchy 分析轮廓的嵌套关系（如内外轮廓）。

示例：层次轮廓检测

import cv2
import numpy as np

# 读取图像并转换为灰度
img = cv2.imread('shapes.jpg')
if img is None:
    print("错误：无法加载图像")
    exit()

# 转换为灰度并二值化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 查找轮廓（使用 RETR_TREE 模式）
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 绘制轮廓并显示层次
img_contours = img.copy()
for i, cnt in enumerate(contours):
    h = hierarchy[0][i]  # [Next, Previous, FirstChild, Parent]
    color = (0, 255, 0) if h[3] == -1 else (0, 0, 255)  # 外部绿色，内部红色
    cv2.drawContours(img_contours, [cnt], -1, color, 2)
    print(f"轮廓 {i}: 父轮廓={h[3]}, 子轮廓={h[2]}")

# 显示结果
cv2.imshow('原始图像', img)
cv2.imshow('层次轮廓', img_contours)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存结果
cv2.imwrite('hierarchy_contours.jpg', img_contours)

输出示例：

轮廓 0: 父轮廓=-1, 子轮廓=1
轮廓 1: 父轮廓=0, 子轮廓=-1

说明：

hierarchy：每个轮廓的层次信息，[Next, Previous, FirstChild, Parent]：
Next：同一级的下一个轮廓（-1 表示无）。
Previous：同一级的前一个轮廓（-1 表示无）。
FirstChild：第一个子轮廓（-1 表示无）。
Parent：父轮廓（-1 表示外部轮廓）。
RETR_TREE 适合复杂嵌套结构，RETR_EXTERNAL 仅提取最外层轮廓。

2.4 轮廓近似 (`cv2.approxPolyDP`)

近似轮廓点集，减少点数，简化形状。

示例：轮廓近似

import cv2
import numpy as np

# 读取图像并转换为灰度
img = cv2.imread('shapes.jpg')
if img is None:
    print("错误：无法加载图像")
    exit()

# 转换为灰度并二值化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 绘制原始和近似轮廓
img_contours = img.copy()
for cnt in contours:
    # 原始轮廓
    cv2.drawContours(img_contours, [cnt], -1, (0, 255, 0), 2)

    # 近似轮廓
    epsilon = 0.02 * cv2.arcLength(cnt, True)  # 近似精度
    approx = cv2.approxPolyDP(cnt, epsilon, True)
    cv2.drawContours(img_contours, [approx], -1, (0, 0, 255), 2)
    print(f"原始点数: {len(cnt)}, 近似点数: {len(approx)}")

# 显示结果
cv2.imshow('原始图像', img)
cv2.imshow('轮廓与近似', img_contours)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存结果
cv2.imwrite('approx_contours.jpg', img_contours)

输出示例：

原始点数: 120, 近似点数: 4
原始点数: 200, 近似点数: 8

说明：

approxPolyDP：用多边形近似轮廓，epsilon 控制近似精度。
适合将复杂轮廓简化为矩形、圆形等简单形状。

三、综合示例：轮廓检测流水线

结合预处理、轮廓检测、属性计算和近似：

import cv2
import numpy as np

def contour_pipeline(image_path):
    """轮廓检测流水线"""
    # 读取图像
    img = cv2.imread(image_path)
    if img is None:
        print("错误：无法加载图像")
        return

    # 转换为灰度并高斯模糊
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)

    # 二值化（Otsu 方法）
    _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

    # 查找轮廓
    contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    # 绘制轮廓并计算属性
    img_contours = img.copy()
    for i, cnt in enumerate(contours):
        area = cv2.contourArea(cnt)
        perimeter = cv2.arcLength(cnt, True)
        x, y, w, h = cv2.boundingRect(cnt)
        epsilon = 0.02 * perimeter
        approx = cv2.approxPolyDP(cnt, epsilon, True)

        # 过滤小轮廓
        if area > 100:
            print(f"轮廓 {i}: 面积={area:.2f}, 周长={perimeter:.2f}, 点数={len(approx)}")
            cv2.drawContours(img_contours, [cnt], -1, (0, 255, 0), 2)
            cv2.rectangle(img_contours, (x, y), (x+w, y+h), (255, 0, 0), 1)

    # 显示结果
    cv2.imshow('原始图像', img)
    cv2.imshow('二值图像', binary)
    cv2.imshow('轮廓与边界框', img_contours)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

    # 保存结果
    cv2.imwrite('contours_pipeline.jpg', img_contours)

# 使用示例
contour_pipeline('shapes.jpg')  # 替换为你的图像路径

四、应用示例：形状识别

结合轮廓检测和近似识别简单形状（如三角形、矩形）：

import cv2
import numpy as np

# 读取图像并转换为灰度
img = cv2.imread('shapes.jpg')
if img is None:
    print("错误：无法加载图像")
    exit()

# 转换为灰度并高斯模糊
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)

# 二值化
_, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 绘制并识别形状
img_shapes = img.copy()
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area < 100:  # 过滤小轮廓
        continue

    # 近似轮廓
    epsilon = 0.02 * cv2.arcLength(cnt, True)
    approx = cv2.approxPolyDP(cnt, epsilon, True)

    # 判断形状
    if len(approx) == 3:
        shape = "三角形"
    elif len(approx) == 4:
        shape = "矩形"
    elif len(approx) > 8:
        shape = "圆形"
    else:
        shape = f"{len(approx)}边形"

    # 绘制轮廓和标签
    cv2.drawContours(img_shapes, [cnt], -1, (0, 255, 0), 2)
    x, y = approx[0][0]
    cv2.putText(img_shapes, shape, (x, y), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 2)

# 显示结果
cv2.imshow('原始图像', img)
cv2.imshow('形状识别', img_shapes)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存结果
cv2.imwrite('shapes_recognized.jpg', img_shapes)

说明：

通过 approxPolyDP 的点数判断形状。
putText 添加形状标签，便于可视化。

五、注意事项

输入图像：

轮廓检测需要二值图像，建议使用阈值处理或 Canny 边缘检测生成。
预处理（如高斯模糊）可提高轮廓质量。

参数调整：

epsilon 控制近似精度，需根据轮廓复杂度调整。
过滤小轮廓（通过 contourArea）避免噪声干扰。

性能优化：

使用 CHAIN_APPROX_SIMPLE 减少内存使用。
对大图像应用 ROI 降低计算量。

错误处理：

检查 imread 返回值，防止图像加载失败。
确保二值图像格式正确（uint8）。

层次结构：

选择合适的检索模式（RETR_EXTERNAL 或 RETR_TREE）根据需求。

六、资源

官方文档：https://docs.opencv.org/master/d4/d73/tutorial_py_contours_begin.html
imgproc 模块：https://docs.opencv.org/master/d7/d1d/tutorial_how_to_use_IPP.html
社区：在 X 平台搜索 #opencv 获取最新讨论。

如果你需要更深入的轮廓检测示例（如复杂形状分析、轮廓匹配）或 C++ 实现代码，请告诉我，我可以提供详细的解决方案或针对特定任务的优化！

一、图像轮廓检测概述

二、核心轮廓检测功能与代码示例

2.1 查找和绘制轮廓 (`cv2.findContours`, `cv2.drawContours`)

2.2 轮廓属性计算

2.3 轮廓层次结构

2.4 轮廓近似 (`cv2.approxPolyDP`)

三、综合示例：轮廓检测流水线

四、应用示例：形状识别

五、注意事项

六、资源

C++ OpenCV 基础操作

OpenCV 简单滤镜效果

OpenCV 图像算术运算

OpenCV 图像处理基础

OpenCV 入门实例

OpenCV 人脸检测

发表回复取消回复

一、图像轮廓检测概述

二、核心轮廓检测功能与代码示例

2.1 查找和绘制轮廓 (cv2.findContours, cv2.drawContours)

2.2 轮廓属性计算

2.3 轮廓层次结构

2.4 轮廓近似 (cv2.approxPolyDP)

三、综合示例：轮廓检测流水线

四、应用示例：形状识别

五、注意事项

六、资源

类似文章

发表回复 取消回复

2.1 查找和绘制轮廓 (`cv2.findContours`, `cv2.drawContours`)

2.4 轮廓近似 (`cv2.approxPolyDP`)

发表回复取消回复