计算机视觉处理（OpenCV基础教学（十七）：图像轮廓检测技术详解）

OpenCV基础教学（十七）：图像轮廓检测技术详解

图像轮廓检测是计算机视觉中一项基础而重要的技术，它能够帮助我们识别图像中物体的形状、边界和结构。本文将详细讲解OpenCV中轮廓检测的基本原理与实现方法。

总流程图：

一、什么是图像轮廓？

图像轮廓是连接所有连续边缘点的曲线，具有相同颜色或强度的边界。与边缘检测不同，轮廓检测不仅找到边界，还把这些边界连接成完整的曲线，形成闭合的区域。

二、轮廓检测的基本流程

下图展示了图像轮廓检测的完整流程：

复制代码

图片输入 → 灰度化 → 二值化 → 寻找轮廓 → 绘制轮廓 → 图片输出

下面我们详细解析每个步骤：

三、轮廓检测详细步骤

3.1 读取图像

python 复制代码

import cv2

# 读取图像
image = cv2.imread('./picture.png')
# 复制一份用于绘制轮廓
image_contours = image.copy()

3.2 灰度化处理

将彩色图像转换为灰度图像，减少后续处理的计算量：

python 复制代码

# 灰度化
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

3.3 二值化处理

二值化是将灰度图像转换为黑白图像的过程。这是轮廓检测的关键步骤，因为findContours()函数要求输入是二值图像：

python 复制代码

# 二值化
# 注意：目标物体需要是白色的，背景是黑色的
ret, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY_INV)

重要提示 ：OpenCV的轮廓检测函数要求目标物体是白色的，背景是黑色的。如果原始图像中目标物体是黑色的，需要使用反向阈值化（如THRESH_BINARY_INV）。

3.4 寻找轮廓

使用findContours()函数查找图像中的所有轮廓：

python 复制代码

# 查找轮廓
contours, hierarchy = cv2.findContours(
    binary,              # 输入二值图像
    cv2.RETR_EXTERNAL,   # 轮廓检索模式
    cv2.CHAIN_APPROX_SIMPLE  # 轮廓近似方法
)

函数参数详解：

轮廓检索模式：
- cv2.RETR_EXTERNAL：只检测最外层轮廓
- cv2.RETR_LIST：检测所有轮廓，不建立层级关系
- cv2.RETR_CCOMP：检测所有轮廓，并建立两级层级关系
- cv2.RETR_TREE：检测所有轮廓，并建立完整的层级树
轮廓近似方法：
- cv2.CHAIN_APPROX_NONE：存储所有轮廓点
- cv2.CHAIN_APPROX_SIMPLE：压缩水平、垂直和对角方向，只存储端点
- cv2.CHAIN_APPROX_TC89_L1：使用Teh-Chin链逼近算法
- cv2.CHAIN_APPROX_TC89_KCOS：使用Teh-Chin链逼近算法

返回值说明：

contours：一个列表，包含所有轮廓的坐标点
- contours[0]：第0个轮廓的所有边界点坐标
- contours[1]：第1个轮廓的所有边界点坐标
hierarchy：轮廓的层级关系，是一个四维数组
复制代码
```
hierarchy[i] = [next, previous, child, parent]
```
- next：同层级下一个轮廓的索引
- previous：同层级前一个轮廓的索引
- child：第一个子轮廓的索引
- parent：父轮廓的索引

3.5 绘制轮廓

使用drawContours()函数在图像上绘制找到的轮廓：

python 复制代码

# 绘制所有轮廓
cv2.drawContours(
    image_contours,  # 目标图像
    contours,        # 轮廓列表
    -1,              # 轮廓索引（-1表示绘制所有）
    (0, 0, 255),     # 颜色（BGR格式）
    2                # 线条粗细
)

# 或者只绘制指定轮廓
cv2.drawContours(
    image_contours,
    contours,
    1,               # 只绘制第2个轮廓（索引从0开始）
    (0, 255, 0),
    cv2.FILLED       # 填充轮廓内部
)

函数参数详解：

轮廓索引：
- 整数：绘制指定索引的轮廓
- -1：绘制所有轮廓
线条粗细：
- 正整数：轮廓线条的像素宽度
- cv2.FILLED：填充轮廓内部

四、轮廓分析常用函数

4.1 轮廓面积和周长

python 复制代码

# 计算轮廓面积
area = cv2.contourArea(contour)

# 计算轮廓周长
perimeter = cv2.arcLength(contour, closed=True)  # closed表示是否为闭合轮廓

4.2 轮廓近似

python 复制代码

# 多边形近似
epsilon = 0.02 * cv2.arcLength(contour, True)
approx = cv2.approxPolyDP(contour, epsilon, True)

# 凸包检测
hull = cv2.convexHull(contour)

4.3 轮廓边界几何

python 复制代码

# 获取最小外接矩形
rect = cv2.boundingRect(contour)  # 返回 (x, y, w, h)

# 获取旋转矩形
rotated_rect = cv2.minAreaRect(contour)
box = cv2.boxPoints(rotated_rect)
box = np.int0(box)

# 获取最小外接圆
(x, y), radius = cv2.minEnclosingCircle(contour)

# 获取拟合椭圆
ellipse = cv2.fitEllipse(contour)

4.4 轮廓特征

python 复制代码

# 计算轮廓中心（质心）
M = cv2.moments(contour)
if M["m00"] != 0:
    cx = int(M["m10"] / M["m00"])
    cy = int(M["m01"] / M["m00"])

九、总结

图像轮廓检测是计算机视觉中的基础技术，在物体识别、形状分析、图像分割等领域有广泛应用。通过本文的学习，你应该已经掌握了：

轮廓检测的基本流程：灰度化、二值化、寻找轮廓、绘制轮廓
OpenCV关键函数 ：findContours()和drawContours()的使用
轮廓分析方法：面积、周长、边界几何等特征提取
实际应用场景：物体计数、形状识别、轮廓匹配等

轮廓检测通常与其他图像处理技术（如边缘检测、形态学操作）结合使用，以达到更好的效果。在实际应用中，需要根据具体需求选择合适的参数和方法。