计算机视觉--Opencv（轮廓检测+轮廓特征+轮廓近似）

一、什么是轮廓

轮廓是图像中连续且闭合的相同灰度值像素边界，是区别于边缘检测的关键概念

边缘检测仅提取灰度突变的离散像素点，而轮廓强调闭合性与整体性，能完整描述物体的形状边界。

OpenCV 处理轮廓有一个硬性前提 ------输入图像必须是二值化图像（黑白两色）。因为二值化通过阈值分割将目标物体与背景完全分离，消除颜色、灰度渐变的干扰，让计算机能精准识别物体边界。

因此，轮廓处理的标准流程为：图像读取→灰度转换→二值化→轮廓检测→特征分析→轮廓近似，后续所有操作均围绕提取的轮廓集合展开。

二、轮廓检测

代码如下：

python 复制代码

import cv2
#读取原始图像
phone =cv2.imread(r"C:\Users\LEGION\Desktop\3aabc73ccef88454844220cca0716c09.png")

#灰度图的处理
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)
cv2.imshow('phone_b',phone_gray)
cv2.waitKey(0)

#二值化处理：固定阈值分割，实现黑白分离
# 阈值120：像素>120设为255（白），≤120设为0（黑）
ret, phone_binary = cv2.threshold(phone_gray, 120, 255,cv2.THRESH_BINARY)#阈值处理为三值
cv2.imshow(  'phone_binary',phone_binary)
cv2.waitKey(0)

# 提取轮廓：检索所有轮廓并保存全部像素点
_,contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
print(len(contours))

#绘制所有轮廓并展示
image_copy = phone.copy()
cv2.drawContours(image=image_copy, contours=contours, contourIdx=-1,color=(0,255,0),thickness=2)
cv2.imshow('Contours_show',image_copy)
cv2.waitKey(0)

注释：

二值化阈值：120 为经验值，可根据图像明暗调整 ------ 阈值过小易引入背景噪点，阈值过大易丢失物体边缘；

contourIdx=-1,

-1表示绘制所有轮廓 color=(0,255,0),

thickness=2 轮廓线宽度

运行结果：

三、轮廓特征

提取轮廓后，OpenCV 可通过内置函数计算轮廓的面积、周长等几何特征，这些特征是筛选目标轮廓、实现精准定位的核心依据。

代码如下：（接上文图片）

1.核心特征计算

轮廓面积

cv2.contourArea(contour $, oriented$ ) 是 OpenCV 中专门用于计算轮廓面积的函数，它能根据轮廓的顶点坐标，精准计算出该轮廓所包围区域的面积，返回值是一个浮点数（面积数值）。

contour: 顶点构成的二维向量组（如轮廓列表contours中的一个轮廓）

oriented = 0: 定向区域标志，默认值为 False，返回面积的绝对值，Ture 时则根据轮廓方向返回带符号的数值

retval：计算出的轮廓面积，浮点数类型。

python 复制代码

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

运行结果：

轮廓周长

arcLength(InputArray curve, bool closed) 用于计算轮廓的周长或曲线的长度

curve, 输入的二维点集（轮廓顶点），可以是 vector 或 Mat 类型。

closed，用于指示曲线是否闭合，closed=True表示轮廓闭合

python 复制代码

length = cv2.arcLength(contours[0],closed=True)
print(length)

运行结果：

2.根据面积显示特定轮廓

python 复制代码

#按面积阈值筛选（仅保留面积>10000的轮廓）
a_list=[]
for i in contours:
    if cv2.contourArea(i)>10000:
        a_list.append(i)

#绘制筛选后的轮廓
image_copy = phone.copy()
image_copy = cv2.drawContours(image=image_copy, contours=a_list, contourIdx=-1,color=(0,255,0),thickness=3)
cv2.imshow( 'Contours_show_10000', image_copy)
cv2.waitKey(0)

运行结果：

3.按面积排序提取最大轮廓

python 复制代码

sortcnt = sorted(contours, key=cv2.contourArea, reverse=True)[0] # 选取最大面积的轮廓
image_contours = cv2.drawContours(image_copy, [sortcnt],contourIdx=-1,color=(0,0,255),thickness=3)#绘制轮廓
cv2.imshow('image_contours',image_contours)
cv2.waitKey(0)

运行结果：

4.轮廓几何拟合：外接圆与外接矩形

外接圆：

python 复制代码

cnt = contours[6]
(x,y),r = cv2.minEnclosingCircle(cnt)#计算轮廓的外接圆
phone_circle = cv2.circle(phone, (int(x),int(y)),int(r),(0,255,0), 2)#绘制外接圆的方法
cv2.imshow('phone_circle',phone_circle)
cv2.waitKey(0)

运行结果：

外接矩形：

python 复制代码

cnt = contours[6]
x,y,w,h = cv2.boundingRect(cnt)#计算轮廓的最小外接矩形
phone_rectangle = cv2.rectangle(phone,  (x,y), (x+w,y+h), (0,255,0),  2)  #在图像上绘制矩形
cv2.imshow( 'phone_rectangle',phone_rectangle)
cv2.waitKey(0)

运行结果：

四、轮廓近似

原始轮廓由大量像素点组成（可能上千个），轮廓近似（多边形逼近）通过cv2.approxPolyDP()用更少的点拟合轮廓，在不丢失核心形状的前提下简化数据，提升处理效率。

代码如下：

python 复制代码

phone = cv2.imread(r"C:\Users\LEGION\Desktop\3aabc73ccef88454844220cca0716c09.png")
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY) #转换为灰度图
ret,phone_thresh = cv2.threshold(phone_gray,  120,  255,cv2.THRESH_BINARY)  #二值化

# image, contours, hierarchy = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)#获取轮廓
contours=cv2.findContours(phone_thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[-2]

epsilon = 0.001 * cv2.arcLength(contours[0], True)        #设置近似精度 【h要<ε；ε越小，点越多，越精确】
approx = cv2.approxPolyDP(contours[0], epsilon, True)   #对轮廓进行近似

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

注释：

近似精度 ε ：epsilon = 0.001 * cv2.arcLength(contours[0], True)是轮廓近似的核心参数，ε 越小，近似轮廓越接近原轮廓，点数量越多；ε 越大，轮廓简化越明显，可能丢失形状特征；

cv2.approxPolyDP() ：第三个参数True保证近似后的轮廓仍是闭合的，这是形状分析的必要条件。

运行结果：