Opencv计算机视觉--轮廓检测&模板匹配

一、轮廓检测

1.轮廓检测是什么？

轮廓检测是计算机视觉中的一种技术，用于检测图像中物体的边界。它通过分析图像的像素强度变化，找出连续的点构成的曲线，这些曲线代表了图像中物体的形状轮廓。

2.核心函数：findContours()

在opencv3.x版本中的具体用法

_,contours,hierarchy=cv2.findContours(close2.copy(),cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

参数分析

1）返回值

• _（下划线）：通常用于忽略不需要的返回值

  • 在OpenCV 3.x中，findContours() 返回三个值

  • 第一个返回值是修改后的图像（通常被忽略）

• contours：检测到的轮廓集合

  • 类型：Python列表

  • 每个元素是一个轮廓，轮廓本身是点坐标的数组

  • 例如：cnts[0] 是第一个轮廓的所有点

• hierarchy：轮廓的层次结构信息

  • 类型：numpy数组

  • 描述轮廓之间的父子关系

2)close2.copy()

• close2：输入的二值图像,即想要进行轮廓检测的图片

• .copy()：创建图像的副本

  • 要求：必须是8位单通道二值图像（黑白图）

  • 注意：函数会修改原始图像，建议使用副本

  • 预处理：通常需要先进行阈值处理或边缘检测

3）cv2.RETR_EXTERNAL

• 轮廓检索模式：只检索最外层的轮廓，也可以用其他的索引模式

• 特点：

  • 只检测物体的外部边界

  • 忽略所有内部轮廓（孔洞）

  • 适用于物体计数、简单形状检测

4）cv2.CHAIN_APPROX_SIMPLE

• 轮廓近似方法：压缩冗余点，节省内存

• 效果：

  • 只保留轮廓的关键转折点

  • 例如：矩形只存储4个角点，而不是所有边界点

  • 减少内存占用，提高处理速度

5）轮廓索引方式

模式	说明
RETR_EXTERNAL	只检测最外层轮廓
RETR_LIST	检测所有轮廓，不建立层次关系
RETR_CCOMP	检测所有轮廓，组织为两层层次
RETR_TREE	检测所有轮廓，建立完整的层次树

6）轮廓近似方法

方法	说明
CHAIN_APPROX_NONE	存储所有轮廓点
CHAIN_APPROX_SIMPLE	压缩水平、垂直、对角线方向，只保留端点
CHAIN_APPROX_TC89_L1	使用Teh-Chin链近似算法L1
CHAIN_APPROX_TC89_KCOS	使用Teh-Chin链近似算法KCOS

3、具体用法

import cv2
phone =cv2.imread('phone.png')#读取原图
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)#灰度图的处理
cv2.imshow( 'phone',phone_gray)
cv2.waitKey(0)
#phone_gray=cv2.imread('phone.png',0) #读取灰度图
ret, people_binary = cv2.threshold(phone_gray, 120, 255,cv2.THRESH_BINARY)#國值处理为二值
cv2.imshow( 'phone_binary',people_binary)
cv2.waitKey(0)
contours = cv2.findContours(people_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]#通用
print(len(contours))

image_copy = phone.copy()
cv2.drawContours(image=image_copy, contours=contours, contourIdx=-1,color=(0,0,255),thickness=2)
cv2.imshow('contours_show',image_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

1）轮廓面积计算

cv2.contourArea(contour，oriented=False) 轮廓面积

相关参数：

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。True 时则根据轮廓方向返回带符号的数值

area_0 = cv2.contourArea(contours[0])    # 计算轮廓面积
print(area_0)
area_1 = cv2.contourArea(contours[1])
print(area_1)

代码解释：

1. 函数功能：计算轮廓包围的面积

2. 算法原理：基于格林公式的数值积分方法

3. oriented参数的作用：

   • False（默认）：返回面积的绝对值

   • True：根据轮廓方向（顺时针/逆时针）返回带符号的面积

   • 正值表示逆时针方向，负值表示顺时针方向

2）轮廓周长计算

cv2.arcLength(curve, closed)

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)

3）根据面积筛选轮廓

# 根据面积显示特定轮廓
a_list = []
for i in contours:
    if cv2.contourArea(i) > 10000:  # 筛选面积大于10000的轮廓
        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(winname='contours_show_10000', mat=image_copy)
cv2.waitKey(0)

根据面积选择了绿色全是圈中的轮廓

代码解释：

1. 筛选逻辑：只保留面积大于10000像素的轮廓

2. 实际意义：过滤掉小噪声或不需要的小物体

3. drawContours() 参数：

   • contourIdx=-1：绘制所有轮廓（-1表示全部）

   • color=(0, 255, 0)：绿色轮廓线

   • thickness=3：线宽为3像素

4）按面积排序轮廓

# 轮廓定位好方法：根据轮廓面积进行排序
sortcnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]  # 选取最大面积的轮廓

image_contours = cv2.drawContours(image_copy, contours=[sortcnt], 
                                 contourIdx=-1, color=(0, 0, 255), thickness=3)
cv2.imshow(winname='image_contours', mat=image_contours)
cv2.waitKey(0)

代码解释：

1. 排序方法 ：sorted()函数配合key=cv2.contourArea

2. reverse=True：降序排列（从大到小）

3. [0]：取第一个元素，即面积最大的轮廓

5）最小外接圆

# 外接圆
cnt = contours[6]  # 取第7个轮廓
(x, y), r = cv2.minEnclosingCircle(cnt)  # 计算轮廓的外接圆
phone_circle = cv2.circle(phone, center=(int(x), int(y)), 
                          radius=int(r), color=(0, 255, 0), thickness=2)
cv2.imshow(winname='phone_circle', mat=phone_circle)
cv2.waitKey(0)

代码解释：

1. minEnclosingCircle()：

   • 返回：圆心坐标(x, y)和半径r

   • 算法：寻找能完全包围轮廓的最小圆

2. 应用：圆形物体检测、目标大小估计

6）外接矩阵

# 外接矩形
x, y, w, h = cv2.boundingRect(cnt)  # 计算轮廓的最小外接矩形
phone_rectangle = cv2.rectangle(phone, pt1=(x, y), pt2=(x + w, y + h), 
                               color=(0, 0, 255), thickness=2)
cv2.imshow(winname='phone_rectangle', mat=phone_rectangle)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码解释：

1. boundingRect()：

   • 返回：矩形左上角坐标(x, y)和宽度w、高度h

   • 特点：矩形与坐标轴平行（非旋转矩形）

2. rectangle() 参数：

   • pt1=(x, y)：矩形左上角

   • pt2=(x+w, y+h)：矩形右下角

7）轮廓近似

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nda=req数据。为这个近似后的轮廓，包含了被近似出来的轮廓上的点的坐标

phone = cv2.imread('phone.png')

phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)  

ret, phone_thresh = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)  
# 对灰度图进行二值化处理：
# - 阈值设为120，大于120的像素设为255（白色），小于等于120的设为0（黑色）

# image, contours, hierarchy = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)  
# _, contours, hierarchy = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
contours = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]
epsilon = 0.01 * cv2.arcLength(contours[0], True) 
#多边形近似轮廓
approx = cv2.approxPolyDP(contours[0], epsilon, True)  

print(contours[0].shape)
print(approx.shape)

phone_new = phone.copy()

image_contours = cv2.drawContours(phone_new, [approx], -1, (0, 0 ,255), 3)  
cv2.imshow('phone', phone)
cv2.waitKey(0)
cv2.imshow('image_contours', image_contours)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.注意事项

1. 图像预处理：必须先转换为二值图像

2. 内存管理：轮廓数据可能很大，注意内存使用

3. 坐标顺序：轮廓点通常按顺时针或逆时针顺序存储

4. 性能考虑 ：CHAIN_APPROX_SIMPLE比CHAIN_APPROX_NONE更节省内存

二、模板匹配

cv2.matchTemplate(image, templ, method)

image:待搜索图像

templ:模板图像

method:计算匹配程度的方法:

TM_SQDIFF平方差匹配法:该方法采用平方差来进行匹配;匹配越好，值越小;匹配越差，值越大。

TM_CCORR相关匹配法:该方法采用乘法操作;数值越大表明匹配程度越好。

TM_CCOEFF相关系数匹配法:数值越大表明匹配程度越好。

TM_SQDIFF_NORMED归一化平方差匹配法，匹配越好，值越小;匹配越差，值越大。

TM_CCORR_NORMED归一化相关匹配法，数值越大表明匹配程度越好。

TM_CCOEFF_NORMED 归一化相关系数匹配法，数值越大表明匹配程度越好。

相关代码

import cv2

# 读取图像
kele = cv2.imread('kele.png')   
kele=cv2.resize(kele,dsize=None,fx=1.5,fy=1.5)
tubiao = cv2.imread('tubiao.png') 
tubiao=cv2.resize(tubiao,dsize=None,fx=1.5,fy=1.5)
cv2.imshow('kele', kele) 
cv2.waitKey(0)
cv2.imshow('tubiao', tubiao)  
cv2.waitKey(0)
h, w = tubiao.shape[:2]  # 获取模板图像的高度和宽度

# 使用模板匹配方法
res = cv2.matchTemplate(kele, tubiao, cv2.TM_CCOEFF_NORMED)

min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
# min_val：最小匹配值
# max_val：最大匹配值（最匹配的位置）
# min_loc：最小匹配值的位置坐标
# max_loc：最大匹配值的位置坐标（最佳匹配位置）

top_left = max_loc  
bottom_right = (top_left[0] + w, top_left[1] + h)  

kele_tubiao = cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0), 2)
cv2.imshow('kele_tubiao', kele_tubiao)
cv2.waitKey(0)
cv2.destroyAllWindows()

注：模板的大小，要和图形中的所对应模板大小相同