当前位置：首页 > news >正文

OpenCV轮廓检测全面解析：从基础到高级应用

news 来源：原创 2025/8/24 13:25:15

一、概述

轮廓检测是计算机视觉中的基础技术，用于识别和提取图像中物体的边界。与边缘检测不同，轮廓检测更关注将边缘像素连接成有意义的整体，形成封闭的边界。

轮廓检测的核心价值
- 物体识别：通过轮廓可以识别图像中的独立物体
- 形状分析：轮廓包含了物体的形状特征信息
- 测量计算：基于轮廓可进行面积、周长等测量
- 图像分割：是许多分割算法的基础步骤

二、OpenCV轮廓检测基础

1.cv2.findContours

2. cv2.drawContours()

3.示例代码


#查找轮廓的API:image,contours,hierarchy = cv2.findContours(img, mode, method)#
# 参数:img:需要实现轮廓检测的原图# mode:轮廓的检索模式，主要有四种方式:
#      CV2.RETR_EXTERNAL:只检测外轮廓，所有子轮廓被忽略并
#      CV2.RETR_LIST:检测的轮廓不建立等级关系，所有轮廊属于同一等级
#      CV2.RETR_CCOMP:返回所有的轮廓，只建立两个级的轮。一个对象的外轮为第1级组织结构。
#          而对象内部中空洞的轮廊为第2级组织结构，空洞中的任何对象的轮又是第 1级组织结构。
#      cV2.RETR_TREE:返回所有的轮廓，建立一个完整的组织结构的轮廓。# method:轮廓的近似方法，主要有以下两种:
#      CV2.CHAIN APPROX NONE:在储所有的轮点。
#      CV2.CHAIN_APPROX_SIMPLE:压缩模式，只保留该方向的终点坐标，例如一个矩形轮廊只需4 个点来保存轮信息。
# 返回:image:返回处理的原图# contours:包含图像中所有轮廊的list对象。其中每一个独立的轮廊信息以边界点坐标(x,y)的形式储存在numpy数组中。# hierarchy:轮廊的层次结构。一个包含4个值的数组:[Next，Previous，First child, Parent]
#     Next:与当前轮廓处于同一层级的下一条轮
#     Previous:与当前轮廓处于同一层级的上一条轮
#     First child:当前轮廓的第一条子轮康
#     Parent:当前轮廓的父轮廓并
# 注意:做轮廊检测前需要将图片读取为二值数据，即像素值只为0和255.import cv2
phone = cv2.imread('phone.png')
phone_grey=cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)
cv2.imshow('phone_b',phone_grey)
cv2.waitKey(0)ret,phone_binary=cv2.threshold(phone_grey,120,255,cv2.THRESH_BINARY)
cv2.imshow('phone_binary',phone_binary)
cv2.waitKey(0)_,contours,hierarchy = cv2.findContours(phone_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)# # 轮廓的绘制
# # cv2.drawContours(image, contours, contourIdx, color, thickness=None,
# #                  lineType=None, hierarchy=None, maxLevel=None, offset=None)
# # 参数含义如下：
# # image:要在其上绘制轮廓的输入图像。
# # contours:轮廓列表，通常由cv2.findContours()函数返回。
# # contourIdx:要绘制的轮廓的索引。如果为负数，则绘制所有轮廓。 -1
# # color:轮廓的颜色，以BGR格式表示。例如，(0, 255, 0)表示绿色。
# # thickness:轮廓线的粗细。默认值为1。
# # lineType:轮廓线的类型。默认值为cv2.LINE_8。
# # hierarchy:轮廓层次结构。通常由cv2.findContours()函数返回。
# # maxLevel:绘制的最大轮廓层级。默认值为None,表示绘制所有层级。
# # offset:轮廓点的偏移量。默认值为None。
image_copy=phone.copy()
image_copy=cv2.drawContours(image=image_copy,contours=contours,contourIdx=-1,color=(0,255,0),thickness=2)
cv2.imshow('Contours',image_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、轮廓特征提取与分析

1. 基本特征计算

面积

周长

import cv2phone = cv2.imread('phone.png')
phone_grey=cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)
cv2.imshow('phone_b',phone_grey)
cv2.waitKey(0)ret,phone_binary=cv2.threshold(phone_grey,120,255,cv2.THRESH_BINARY)
cv2.imshow('phone_binary',phone_binary)
cv2.waitKey(0)_,contours,hierarchy = cv2.findContours(phone_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)# #轮廓特征
# cv2.contourArea(contour[, oriented]) → retval      面积
# contour：顶点构成的二维向量组（如轮廓列表contours中的一个轮廓）
# oriented：定向区域标志，默认值为 False，返回面积的绝对值，Ture 时则根据轮廓方向返回带符号的数值area_0 = cv2.contourArea(contours[0])
print(area_0)
area_1 = cv2.contourArea(contours[1])
print(area_1)# arcLength(InputArray curve, bool closed)              周长
# curve，输入的二维点集（轮廓顶点），可以是 vector 或 Mat 类型。
# closed，用于指示曲线是否封闭。
length = cv2.arcLength(contours[0],closed=True)
print(length)
# 根据面积显示特定轮廓
a_list=[]
# for i in range(len(contours)):
#     if cv2.contourArea(contours[i])>10000:
#         a_list.append(contours[i])
for i in contours:if cv2.contourArea(i)>10000:a_list.append(i)
image_copy = phone.copy()
image_copy = cv2.drawContours(image=image_copy, contours=a_list, contourIdx=-1,color=(0,255,0),thickness=3)
cv2.imshow('Contours_show_10000', image_copy)
cv2.waitKey(0)

2. 轮廓近似

# 轮廓的近似
# approx = cv2.approxPolyDP(curve, epsilon, closed)
# 参数说明：
# curve：输入轮廓。
# epsilon：近似精度，即两个轮廓之间最大的欧式距离。该参数越小，得到的近似结果越接近实际轮廓；反之，得到的近似结果会更加粗略。
# closed：布尔类型的参数，表示是否封闭轮廓。如果是 True，表示输入轮廓是封闭的，近似结果也会是封闭的；否则表示输入轮廓不是封闭的，近似结果也不会是封闭的。
# 返回值：approx：近似结果，是一个ndarray数组，为1个近似后的轮廓，包含了被近似出来的轮廓上的点的坐标
import cv2phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY) #转换为灰度图
ret,phone_thresh = cv2.threshold(phone_gray,120,255,cv2.THRESH_BINARY)  #二值化image, contours, hierarchy = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)#获取轮廓
# #计算所有轮廓面积并存储在列表中
contours_with_area=[(cnt,cv2.contourArea(cnt)) for cnt in contours]
#根据轮廓面积降序排列
sorted_contours=sorted(contours_with_area,key=lambda x:x[1],reverse=True)
#如果你只需要降序后的轮廓，可以直接提取出来
aa=sorted_contours[0][0]
print(aa)epsilon = 0.01 * cv2.arcLength(aa,True)        #设置近似精度
approx = cv2.approxPolyDP(aa, epsilon, True)   #对轮廓进行近似
print(approx.shape)
phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new,[approx],contourIdx=-1,color=(0,255,0),thickness=3)#绘制轮廓
cv2.imshow('phone',phone)
cv2.waitKey(0)
cv2.imshow('image_contours',image_contours)
cv2.waitKey(0)
# # $$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$
# # 外接圆、外接矩形,...
cnt = contours[6]
(x,y),r = cv2.minEnclosingCircle(cnt)#计算轮廓的外接圆
phone_circle = cv2.circle(phone,(int(x),int(y)),int(r),(0,255,0),2)#绘制外接圆的方法
cv2.imshow('phone_circle',phone_circle)
cv2.waitKey(0)x,y,w,h = cv2.boundingRect(cnt)#计算轮廓的最小外接矩形
phone_rectangle = cv2.rectangle(phone,(x,y),(x+w,y+h),(0,255,0),2)  #在图像上绘制矩形
cv2.imshow('phone_rectangle',phone_rectangle)
cv2.waitKey(0)

3. 轮廓匹配


# 形状匹配（值越小匹配越好）
match_value = cv2.matchShapes(cnt1, cnt2, cv2.CONTOURS_MATCH_I1, 0)# 模板匹配
template = cv2.imread('template.png',0)
w, h = template.shape[::-1]
res = cv2.matchTemplate(gray, template, cv2.TM_CCOEFF_NORMED)
threshold = 0.8
loc = np.where(res >= threshold)

总结

OpenCV的轮廓检测功能强大而灵活，从简单的物体识别到复杂的形状分析都能胜任。掌握轮廓检测技术需要注意以下几点：
1. 良好的预处理是成功的关键
2. 根据应用场景选择合适的轮廓检索模式
3. 合理利用轮廓特征进行筛选和分析
4. 高级应用常需要结合其他图像处理技术