轮廓发现是图像目标分割、形状分析的核心技术，本文通过 "高斯滤波→二值化→轮廓提取→轮廓绘制" 的完整流程，演示 OpenCV 中轮廓的查找与可视化，新手可直接复用。
核心代码实现
python
import cv2 as cv
import numpy as np
# 1. 读取图像并校验
src = cv.imread('.\image\39.bmp')
if src is None:
print('图像读取失败，请检查路径！')
exit()
# 2. 预处理：高斯滤波去噪（避免噪点干扰轮廓提取）
dst = cv.GaussianBlur(src, (3, 3), 15)
# 转灰度图
gray = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)
# 二值化（分离前景与背景）
ret, binary = cv.threshold(gray, 100, 255, cv.THRESH_BINARY)
# 3. 查找轮廓（核心操作）
# 参数说明：二值图、轮廓检索模式、轮廓逼近方法
contours, hierarchy = cv.findContours(
binary,
cv.RETR_TREE, # 检索所有轮廓并建立层级关系
cv.CHAIN_APPROX_SIMPLE # 压缩轮廓点（仅保留拐点，节省内存）
)
# 4. 绘制所有轮廓（在滤波后的图像上标注）
draw_img = dst.copy() # 复制图像，避免修改原图
for i, contour in enumerate(contours):
# 参数：绘图图像、轮廓列表、轮廓索引（-1绘制所有）、颜色、线宽
cv.drawContours(draw_img, contours, i, (255, 0, 0), 5)
# 5. 显示结果
cv.namedWindow('src', cv.WINDOW_NORMAL)
cv.resizeWindow('src', 600, 600)
cv.imshow('src', src) # 原图
cv.imshow('binary', binary) # 二值化图
cv.namedWindow('result', cv.WINDOW_NORMAL)
cv.resizeWindow('result', 600, 600)
cv.imshow('result', draw_img) # 轮廓绘制结果
cv.waitKeyEx(0)
cv.destroyAllWindows()关键知识点解析
1. 轮廓发现核心流程
| 步骤 | 核心 API | 作用说明 |
|---|---|---|
| 高斯滤波 | cv.GaussianBlur() |
去除图像噪点，避免噪点被识别为伪轮廓 |
| 二值化 | cv.threshold() |
将图像转为黑白，让轮廓特征更明显 |
| 查找轮廓 | cv.findContours() |
提取图像中所有轮廓的坐标点 |
| 绘制轮廓 | cv.drawContours() |
将轮廓可视化标注在图像上 |
2. 核心参数说明
- findContours 参数 ：
cv.RETR_TREE：检索所有轮廓并保留层级关系（如轮廓嵌套），常用还有cv.RETR_EXTERNAL（仅检索最外层轮廓）；cv.CHAIN_APPROX_SIMPLE：压缩轮廓点（如矩形仅保留 4 个角点），比cv.CHAIN_APPROX_NONE（保留所有点）更节省内存。
- drawContours 参数 ：
- 轮廓索引
i：指定绘制第 i 个轮廓，传入-1可一次性绘制所有轮廓； - 线宽
5：轮廓线条粗细，值为-1时会填充轮廓内部。
- 轮廓索引
3. 避坑与优化技巧
-
绘图载体 ：原代码直接在滤波图
dst上绘图，改为draw_img = dst.copy()，避免修改原始滤波图像； -
二值化阈值：阈值 100 需根据图像调整，暗目标可降低阈值（如 80），亮背景可提高阈值（如 120）；
-
轮廓筛选 ：可通过轮廓面积过滤小噪点轮廓：
python# 仅保留面积≥500的轮廓 valid_contours = [cnt for cnt in contours if cv.contourArea(cnt) >= 500] -
轮廓逼近 ：对不规则轮廓，可使用
cv.approxPolyDP()拟合为规则形状（如多边形、圆形）。
总结
- 轮廓发现的核心预处理是高斯滤波 + 二值化，去噪是提升轮廓提取准确率的关键；
findContours的RETR_TREE适合复杂轮廓（嵌套），RETR_EXTERNAL适合仅需外层轮廓的场景；- 绘制轮廓时建议复制图像作为绘图载体，避免修改原始图像。