目录
[2）参数img ：需要实现轮廓检测的原图](#2）参数img ：需要实现轮廓检测的原图)
[3）参数mode ：轮廓的检索模式](#3）参数mode ：轮廓的检索模式)
[4）参数method ：轮廓近似方法](#4）参数method ：轮廓近似方法)
一、图像轮廓检测
1、边缘检测和轮廓检测
边缘检测： 主要是通过一些手段检测数字图像中明暗变化剧烈 （即梯度变化比较大）像素点，偏向于图像中像素点的变化。
轮廓检测： 指检测图像中的对象边界，指的是在图像中提取出物体边界 的一种图像处理方法使用轮廓检测可以获得物体的边界 ，方便在图像中对他们进行定位。通常在一些有趣的应用中轮廓检测是第一处理环节。比如图像前景提取 ，简单的图像分割 ，检测 以及识别等。
2、常用的图像轮廓检测方法包括：
1）基于梯度的方法
利用图像中灰度值的梯度信息来检测轮廓，包括Sobel算子、Prewitt算子、Roberts算子等。
2）基于边缘检测器的方法
包括Canny边缘检测器、Laplacian边缘检测器等，这些边缘检测器可以通过检测图像中的强度变化来找到物体的边缘。
3）基于阈值的方法
将图像灰度值与设定的阈值进行比较，将高于或低于阈值的像素点标记为边界。
3、查找轮廓的函数
cv2.findContours( )
4、轮廓的绘制
cv2.drawContours( )
5、轮廓特征
获取轮廓后，通常基于轮廓的特征进行筛选、识别和处理。例如，基于轮廓的周长 和面积对轮廓进行筛选，然后绘制筛选的目标轮廓或其最小外接矩形。
1）轮廓面积
cv2.contourArea(contour[， oriented] ) ： 参数contour表示轮廓的列表或数组，可选的参数 oriented 指定是否计算有向面积，默认为 False，即计算无向面积。
函数返回一个浮点数 ，表示轮廓的面积。计算面积是通过计算轮廓内部的像素数 来实现的。但是注意，该函数假设轮廓是封闭的、连续的，并且按照顺时针或逆时针方向给出。
2）轮廓周长
cv2.arcLength(contours[0]，closed=True) ： contour 是一个轮廓数组 ，可以是单个 轮廓或多个 轮廓的列表。closed 参数指定轮廓是否封闭，默认为 True，即假设轮廓是封闭的。
函数返回一个浮点数，表示轮廓的弧长。计算弧长是通过计算轮廓的所有线段的长度之和来实现的。
6、轮廓近似
指对轮廓进行逼近或拟合 ，得到近似的轮廓。在图像处理中，轮廓表示了图像中物体的边界 ，因此轮廓近似可以用来描述和识别物体的形状。
7、模型匹配
模板匹配是一种用于查找与模板图像（补丁）匹配（相似）的图像区域的技术。
为了识别匹配区域，我们必须通过滑动来将模板图像与源图像进行比较，一次移动一个像素（从左到右，从上到下）。在每个位置，都会计算一个度量（度量计算公式），以便它表示该位置的匹配"好"或"坏"程度
二、轮廓检测实现
1、查找轮廓API解析
1）用法
python
image,contours,hierarchy = cv2.findContours(img, mode, method)2）参数img ：需要实现轮廓检测的原图
3）参数mode ：轮廓的检索模式
1、cv2.RETR_EXTERNAL： 只检测外轮廓 ，所有子轮被忽略
2、cv2.RETR_LIST： 返回所有的轮廓 ，所有轮廓属于同一等级，都被当作外部轮廓
3、cv2.RETR_CCOMP： 返回所有的轮廓 ，只建立两个等级 的轮。一个对象的外轮廓为第1级组织结构。而对象内部中空洞的轮廓为第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。
4、cv2.RETR_TREE： 返回所有的轮廓 ，建立一个完整的层级结构。
4）参数method ：轮廓近似方法
1、CV2.CHAIN_APPROX_NONE： 存储所有的轮廓点
2、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 轮廓只需4个点来保存轮廓信息。
5）返回值
image： 返回处理的原图
contours： 包含图像中所有轮廓的list对象 。其中每一个独立的轮廓信息 以边界点坐标(x,y)的形式储存在numpy数组中
hierarchy： 轮廓的层次结构。一个包含4个值的数组：[Next，Previous，First child,Parent]
6）返回值hierachy参数
Next： 与当前轮廓处于同一层级 的下一条 轮廓
Previous： 与当前轮廓处于同一层级 的上一条轮
First Child：当前 轮廓的第一条子轮廓
Parent：当前 轮廓的父轮廓
7）注意
做轮廓检测前需要将图片读取为二值数据，即像素值只为0和255
2、图像二值化处理
python
ret,phone_binary = cv2.threshold(phone_gray,120,25,cv2.THRESH_BINARY)1）参数解析：
phone_gray是输入的灰度图像。120是设定的阈值，这里设定为 120，小于120的阈值设定为25，大于120的设置为025是设置的阈值最大值cv2.THRESH_BINARY是指定了二值化的类型 ，此处为二进制阈值化。
2）返回值：
ret是返回的阈值，用于后续处理。phone_binary是经过二值化处理后的图像 ，其中像素值只有两种可能，黑色或白色。
3）代码实现
python
import cv2
phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY) # 导入图像的灰度图
cv2.imshow('phone_b',phone_gray) # 展示灰度图
cv2.waitKey(0)
ret,phone_binary = cv2.threshold(phone_gray,120,25,cv2.THRESH_BINARY) # 使用函数threshold进行图像的二值化处理，ret为阈值，phone_binary为二值化后的图像
# 对图像phone_gray处理，灰度值小于120的设置为25，大于120的设置为0，cv2.THRESH_BINARY为二值化转换类型
cv2.imshow('phone_binary',phone_binary)
cv2.waitKey(0)
_,contours,hierarchy = cv2.findContours(phone_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
# _为返回的原图，contours为一个list对象，其中存放着所有的轮廓信息，边界点坐标的形式，hierachy为图像的层次结构
# 图像为phone_binary，轮廓检测方式为cv2.RETR_TREE，返回所有轮廓及完整层次结构，CV2.CHAIN_APPROX_NONE为存储所有的轮廓点
print(hierarchy) # 打印层级结构
print(len(contours)) # 打印轮廓的个数运行结果：
3、轮廓的绘制
1）用法
python
cv2.drawContours(image, contours, contourIdx, color, thickness=None,lineType=None, hierarchy=None, maxLevel=None, offset=None)2）参数解析
**1、image：**将要绘制的图像
**2、contours：**轮廓列表，通常由cv2.findCountours（）函数返回
**3、contourIdx：**要绘制轮廓的索引，如果为负数则绘制所有的轮廓
**4、color：**轮廓的颜色，以BGR格式返回，例如（0,255,0）表示绿色
**5、thickness：**轮廓线的粗细，默认为1
**6、LineType：**轮廓线的类型，默认为cv2.LINE_8
**7、hierarchy：**轮廓层次结构，通常由cv2.findCountours（）函数返回
**8、maxLevel：**绘制的最大轮廓层级，默认None，表示绘制所以的层级
**9、offset：**轮廓点的偏移量，默认为None
3）代码实现
连接上述代码：
python
image_copy = phone.copy() # 复制原图，生成一个副本
image_copy = cv2.drawContours(image=image_copy,contours=contours,contourIdx=-1,color=(0,255,0),thickness=3)
# 绘制的图像为image_copy，使用上述返回的轮廓列表，以及所有的轮廓，绘制的图线颜色为绿色，粗细为3个像素
cv2.imshow('Contours_show',image_copy)
cv2.waitKey(0)运行结果：
4、轮廓面积
1）用法
python
cv2.contourArea(contour[,oriented])2）参数解析
contour： 输入的轮廓，通常是一个由一系列点组成的 Numpy 数组。
oriented： 指定轮廓的方向性。如果设置为 True，则函数会计算有方向的轮廓面积。默认值为 False，表示计算无方向的轮廓面积。
3）代码实现
连接上述代码使用
python
area_0 = cv2.contourArea(contours[0])
area_1 = cv2.contourArea(contours[1])
print(area_0,area_1)运行结果：
表示第一个轮廓面积为50716.5个像素，第二个像素为255.5个像素
5、轮廓周长
1）用法
python
cv2.arcLength(InputArray curve,bool closed)2）参数
curve ：输入的二维点集(轮廓顶点)，可以是vector 或 Mat 类型。
**closed：**用于指不曲线是否封闭。
3）实例
python
length = cv2.arcLength(contours[0],closed=True)
print(length)运行结果：
6、根据面积显示特点轮廓
1）代码
python
a_list = [] # 建立一个空列表用于存放轮廓坐标信息
for i in range(len(contours)): # 遍历每一个轮廓
if cv2.contourArea(contours[i])>10000: # 判断面积大于10000个像素点的轮廓
a_list.append(contours[i]) # 将大于10000像素点的轮廓坐标存入列表
# #
image_copy = phone.copy() # 建立一个图像副本
image_copy = cv2.drawContours(image=image_copy,contours=a_list,contourIdx=-1,color=(0,255,0),thickness=1) # 绘制图像轮廓，指定了图像的坐标信息
cv2.imshow('Contours_show_10000',image_copy) # 展示轮廓
cv2.waitKey(0)2）运行结果：
7、计算轮廓的外接圆及外接矩形
1）代码展示
python
cnt = contours[6] # 从轮廓列表中提取第7个轮廓，并将其存储在变量 cnt 中。
(x,y),r = cv2.minEnclosingCircle(cnt) # 计算给点轮廓的最小外接圆，(x,y)是外接圆圆心坐标，r为外接圆半径
phone_circle = cv2.circle(phone,(int(x),int(y)),int(r),(0,255,0),2) # 绘制外接圆的方法，(int(x),int(y)),int(r)为圆心坐标及半径，(0,255,0)为图像颜色，2为线条粗细
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，x, y 是矩形左上角点的坐标，w, h 是矩形的宽度和高度。
# 在图像上绘制矩形，(x, y) 是矩形的左上角点坐标。(x+w, y+h) 是矩形的右下角点坐标。(0, 255, 0) 是矩形的颜色，这里使用的是 RGB 颜色空间，所以是绿色。2 是矩形的线宽。
phone_rectangle = cv2.rectangle(phone,(x,y),(x+w,y+h),(0,255,0),2)
cv2.imshow('phone_rectangle',phone_rectangle)
cv2.waitKey(0)2）运行结果
