Opencv(十七) : 绘制图像轮廓

文章目录

• • 一、轮廓的核心概念与基础定义
  • • [1. 轮廓的本质的](#1. 轮廓的本质的)
    • [2. 轮廓与边缘的核心区别](#2. 轮廓与边缘的核心区别)
    • [3. 轮廓绘制的基础术语定义](#3. 轮廓绘制的基础术语定义)
    • • （1）图像与像素相关
      • （2）连通域相关
      • （3）边界相关
  • 二、轮廓绘制的实操流程与注意事项
  • • [1. 完整实操流程（以Python+OpenCV为例）](#1. 完整实操流程（以Python+OpenCV为例）)
    • • （1）环境准备
      • （2）图像预处理
      • （3) 轮廓点压缩的合理使用 轮廓点压缩的合理使用)
      • （4）轮廓特征计算
      • （5）轮廓可视化
    • [2. 实操注意事项（避坑指南）](#2. 实操注意事项（避坑指南）)
    • • （1）图像预处理是关键
      • （2）轮廓层级关系的正确理解
      • （3）轮廓点压缩的合理使用
      • （4）特征计算的异常处理
      • （5）多目标轮廓的筛选
  • 三、总结与拓展

一、轮廓的核心概念与基础定义

1. 轮廓的本质的

轮廓是目标物体或区域在图像中的封闭边界集合，由一系列连续相连的像素点构成，能够完整勾勒出物体的外部形态和内部结构。与单纯的边缘检测不同，轮廓强调像素的连通性和边界的封闭性，是对物体形状的完整描述，而非孤立的边缘片段。

在机器视觉任务中，轮廓的核心价值在于将图像的像素信息转化为可量化的几何特征（如周长、面积、中心坐标等），为后续的形状分析、目标识别和图像分割提供基础数据支撑。

2. 轮廓与边缘的核心区别

很多初学者容易混淆轮廓和边缘，二者虽有重叠但本质不同，具体区别如下：

对比维度	轮廓	边缘
像素特性	连续连通的封闭集合	可孤立、不连续的像素点
核心用途	物体形态分析（周长、面积等）	图像特征提取（区分不同区域）
存在前提	必须形成封闭结构	只要灰度值突变即可存在
数据形式	完整的边界序列	离散的边缘点或边缘线

举个直观例子：一张手写数字"8"的二值图，边缘是数字笔画与背景交界处的所有像素点（可能存在断点），而轮廓是能够完整包围"8"外部和内部孔洞的两条封闭边界，通过这两条轮廓可直接计算数字的总面积、外周长、内孔洞面积等关键参数。

3. 轮廓绘制的基础术语定义

在进行轮廓绘制前，需明确以下核心术语，避免后续算法理解出现偏差：

（1）图像与像素相关

• frame（图像框架）：一张图像的最上行、最下行、最左列、最右列构成的边界，是图像的天然边界。
• 0-pixel（0像素）：灰度值为0的像素，默认作为图像背景填充像素。
• 1-pixel（1像素）：灰度值为1的像素，默认作为目标物体的构成像素。
• 像素坐标与灰度值：用(i, j)表示图像中第i行、第j列的像素点，(f_{i,j})表示该像素点的灰度值，整幅图像可表示为像素灰度值的集合(F={f_{i,j}})。

（2）连通域相关

• 连通域（component） ：由相邻（通常指8连通或4连通）的同一灰度值像素构成的区域。
  • 1-component（1连通域）：由1像素组成的连通域，即目标物体所在区域。
  • 0-component（0连通域）：由0像素组成的连通域，可能是背景或物体内部的孔洞。
• background（背景）：包含frame（图像框架）的0连通域，是图像中目标物体的外部环境区域。
• 孔洞（hole）：不包含frame的0连通域，是目标物体内部被1像素包围的空白区域（如数字"8"中间的两个空白区域）。

（3）边界相关

• borderpoint（边界点）：若一个1像素的8连通区域内存在0像素，则该1像素为边界点。轮廓正是由一系列连续的边界点构成。
• 环绕连通域：在二值图中，若连通域S1中任意像素点沿4方向到达frame的路径上均存在S2的像素，则称S2环绕S1；若S2环绕S1且两者之间存在边界点，则称S2直接环绕S1。
• 外边界与孔边界 ：
  • 外边界：若0连通域S2直接环绕1连通域S1，则S2与S1之间的边界为外边界（包围目标物体的外部边界）。
  • 孔边界：若1连通域S1直接环绕0连通域S2，则S2与S1之间的边界为孔边界（包围物体内部孔洞的边界）。
• 父边界：若0连通域S2直接环绕1连通域S1，1连通域S3直接环绕S2，S1与S2的边界为B1，S2与S3的边界为B2，则B2为B1的父边界；若S2是背景（background），则B1的父边界为frame。

二、轮廓绘制的实操流程与注意事项

1. 完整实操流程（以Python+OpenCV为例）

OpenCV是机器视觉领域常用的开源库，提供了成熟的轮廓检测函数cv2.findContours()，其底层实现基于上述边界跟踪算法。以下是完整的实操流程，从图像预处理到轮廓可视化，一步一步实现轮廓绘制：

（1）环境准备

安装必要的库：

pip install opencv-python numpy matplotlib

（2）图像预处理

图像预处理是轮廓绘制的关键前提，直接影响轮廓检测的准确性。常见的预处理步骤包括：

• 读取图像：读取原始图像，若为彩色图需转为灰度图。
• 二值化：将灰度图转为二值图，分离目标与背景。
• 噪声去除：通过形态学操作（如腐蚀、膨胀）去除图像噪声，避免噪声形成虚假轮廓。

代码实现：

#导入opencv库
import cv2
#1.读取图片
image_np = cv2.imread('./picture.png')
#复制一份原始图像,用来绘制轮廓
image_contours = image_np.copy()
#2.灰度化
image_gray = cv2.cvtColor(image_np,cv2.COLOR_BGR2GRAY)
#3.二值化
ret,image_binary = cv2.threshold(image_gray,127,255,cv2.THRESH_OTSU+cv2.THRESH_BINARY_INV)
#4.查找轮廓
#contours:存储了所有轮廓点的坐标,比如术后contours[0]就存储了第0个轮廓的点的坐标,contours[1]就存储了第一个轮廓的层级关系
#hierarchy: 存储了对应轮廓的层级关系,hierarchy[0]就存储了第0个轮廓的层级关系
contours,hierarchy = cv2.findContours(image_binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)
#5.绘制轮廓
cv2.drawContours(image_contours,contours,-1,(0,0,255) )
#6.结果显示
cv2.imshow('image_np',image_np)
cv2.imshow('image_contours', image_contours)
cv2.waitKey(0)```

#### （3）轮廓检测
使用`cv2.findContours()`函数检测轮廓，该函数返回轮廓列表、轮廓层级关系和边界矩形：
```python
# 轮廓检测（cv2.RETR_CCOMP：检测所有轮廓并建立层级关系；cv2.CHAIN_APPROX_SIMPLE：压缩轮廓点）
contours, hierarchy = cv2.findContours(opening, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)

# 打印轮廓信息
print(f"检测到的轮廓数量：{len(contours)}")
print(f"轮廓层级关系：{hierarchy}")  # hierarchy格式：[Next, Previous, First_Child, Parent]

输出结果为:
注意:图片路径需要你自己导入你设备上的路径

（3) 轮廓点压缩的合理使用

cv2.findContours()函数的method参数用于轮廓点的压缩：

• cv2.CHAIN_APPROX_SIMPLE：压缩轮廓点，仅保留轮廓的关键顶点（如矩形轮廓仅保留 4 个顶点），减少数据量，提高后续处理效率。
• cv2.CHAIN_APPROX_NONE：保留轮廓上的所有像素点，数据量较大，但适合需要高精度轮廓的场景（如微小零件的尺寸测量）。

（4）轮廓特征计算

根据检测到的轮廓，计算关键几何特征：

# 遍历所有轮廓，计算特征
contour_features = []
for i, cnt in enumerate(contours):
    # 1. 面积
    area = cv2.contourArea(cnt)
    # 2. 周长（True表示闭合轮廓）
    perimeter = cv2.arcLength(cnt, True)
    # 3. 外接矩形
    x, y, w, h = cv2.boundingRect(cnt)
    # 4. 中心坐标（矩）
    M = cv2.moments(cnt)
    cx = int(M["m10"] / M["m00"]) if M["m00"] != 0 else 0
    cy = int(M["m01"] / M["m00"]) if M["m00"] != 0 else 0
    # 5. 圆形度
    circularity = 4 * np.pi * area / (perimeter ** 2) if perimeter != 0 else 0
    
    contour_features.append({
        "轮廓编号": i,
        "面积": area,
        "周长": perimeter,
        "外接矩形（x,y,w,h）": (x, y, w, h),
        "中心坐标（cx,cy）": (cx, cy),
        "圆形度": circularity
    })

# 打印特征结果
for feature in contour_features:
    print(f"\n轮廓{feature['轮廓编号']}特征：")
    for key, value in feature.items():
        print(f"{key}：{value}")

（5）轮廓可视化

将检测到的轮廓绘制在原始图像上，直观展示检测结果：

# 绘制轮廓（-1表示填充轮廓内部，0表示仅绘制边界）
img_contour = img.copy()
cv2.drawContours(img_contour, contours, -1, (0, 255, 0), 2)  # 绿色绘制轮廓，线宽2

# 绘制中心坐标和轮廓编号
for i, cnt in enumerate(contours):
    M = cv2.moments(cnt)
    cx = int(M["m10"] / M["m00"]) if M["m00"] != 0 else 0
    cy = int(M["m01"] / M["m00"]) if M["m00"] != 0 else 0
    cv2.circle(img_contour, (cx, cy), 3, (255, 0, 0), -1)  # 蓝色绘制中心点
    cv2.putText(img_contour, str(i), (cx+5, cy), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 0, 255), 1)  # 红色标注轮廓编号

# 显示可视化结果
plt.figure(figsize=(8, 6))
plt.imshow(cv2.cvtColor(img_contour, cv2.COLOR_BGR2RGB))
plt.title("轮廓检测结果")
plt.axis("off")
plt.show()

2. 实操注意事项（避坑指南）

（1）图像预处理是关键

• 二值化阈值选择：若阈值过高，会导致目标物体像素丢失，轮廓不完整；若阈值过低，会引入过多背景噪声，形成虚假轮廓。建议使用自适应阈值分割（cv2.adaptiveThreshold()）或大津阈值分割（cv2.THRESH_OTSU），避免手动阈值的主观性。
• 噪声去除：工业图像或手写图像中常存在椒盐噪声，需通过形态学操作（开运算、闭运算）或高斯滤波（cv2.GaussianBlur()）去除噪声，否则噪声会被误检测为小轮廓，影响后续分析。

（2）轮廓层级关系的正确理解

cv2.findContours()函数的mode参数决定了轮廓的层级检测方式，常用的两种模式：

• cv2.RETR_EXTERNAL：仅检测最外层轮廓，忽略内部孔边界，适合只需目标物体外轮廓的场景。
• cv2.RETR_CCOMP：检测所有轮廓并建立两层层级关系（外边界为第一层，孔边界为第二层），适合需要分析物体内部孔洞的场景。

若不理解层级关系，可能会误将孔边界当作独立的目标轮廓，导致特征计算错误。

（3）轮廓点压缩的合理使用

cv2.findContours()函数的method参数用于轮廓点的压缩：

• cv2.CHAIN_APPROX_SIMPLE：压缩轮廓点，仅保留轮廓的关键顶点（如矩形轮廓仅保留4个顶点），减少数据量，提高后续处理效率。
• cv2.CHAIN_APPROX_NONE：保留轮廓上的所有像素点，数据量较大，但适合需要高精度轮廓的场景（如微小零件的尺寸测量）。

根据实际需求选择压缩方式，避免不必要的计算开销。

（4）特征计算的异常处理

在计算轮廓特征时，需避免分母为0的情况：

• 周长为0：可能是孤立的单个像素点，需过滤此类无效轮廓。
• 矩的m00为0：表示轮廓面积为0，是无效轮廓，需跳过中心坐标计算。

（5）多目标轮廓的筛选

若图像中存在多个轮廓，需根据实际需求筛选目标轮廓：

• 按面积筛选：设置面积阈值，过滤掉面积过小的噪声轮廓和面积过大的背景轮廓。
• 按宽高比筛选：根据目标物体的宽高比范围，筛选出符合要求的轮廓（如矩形零件的宽高比通常在1-3之间）。

代码示例（按面积筛选）：

# 筛选面积在100-10000之间的轮廓
valid_contours = [cnt for cnt in contours if 100 < cv2.contourArea(cnt) < 10000]
print(f"筛选后的有效轮廓数量：{len(valid_contours)}")

三、总结与拓展

图像轮廓绘制是机器视觉的核心技术之一，其本质是通过边界跟踪算法提取目标物体的封闭边界，为形状分析、目标识别和图像分割提供基础。本文从核心概念、作用场景、算法原理、实操流程四个维度，详细解析了轮廓绘制的全流程，关键要点总结如下：

1. 轮廓与边缘的核心区别在于连通性和封闭性，轮廓是完整的封闭边界，而边缘可孤立不连续。
2. 边界跟踪算法是轮廓绘制的核心，通过光栅扫描检测起始点，结合顺时针/逆时针邻域搜索实现轮廓跟踪。
3. 实操中需重视图像预处理，合理选择二值化方法和形态学操作，避免噪声和阈值不当导致的检测误差。
4. 轮廓特征计算和可视化是后续应用的基础，需根据实际需求筛选有效轮廓并计算关键参数。