【OpenCV】Python图像处理之查找并绘制轮廓

棒棒的皮皮2026-01-29 9:04

本文旨在帮助掌握 OpenCV-Python 中图像轮廓的查找与绘制 方法，轮廓是图像中连续的、具有相同像素值的边界曲线，是图像分割、目标检测、形状分析的核心工具。OpenCV 中通过cv2.findContours()查找轮廓，cv2.drawContours()绘制轮廓，核心流程是图像预处理（二值化）→ 查找轮廓 → 绘制轮廓，下面会从原理、完整流程、API 详解、实战示例和高级应用逐步讲解，内容贴合实际开发需求。

一、轮廓的核心概念

  1. 轮廓是二值图像中白色前景的边界（黑色为背景），因此查找轮廓前必须将图像转为二值图（灰度→阈值分割 / 边缘检测）；
  2. 轮廓与边缘的区别：边缘是离散的像素点，轮廓是连续的闭合曲线，且轮廓只针对前景区域；
  3. 轮廓的层级：图像中轮廓可能存在嵌套关系（如大矩形内有小矩形），OpenCV 会记录轮廓的父子层级关系，便于筛选内外轮廓。

二、核心 API 详解

1. 查找轮廓：cv2.findContours()

函数原型（OpenCV4 + 版本，返回值简化为 2 个，轮廓和层级）：

python 复制代码 
contours, hierarchy = cv2.findContours(image, mode, method)

关键参数：

参数 作用 常用值
image 输入图像 必须是二值图（uint8 类型，黑白），建议对原二值图做复制（函数会修改原图）
mode 轮廓检索模式（控制查找的轮廓范围和层级） cv2.RETR_EXTERNAL：仅检索最外层轮廓（最常用）cv2.RETR_LIST：检索所有轮廓，不建立层级cv2.RETR_CCOMP：检索所有轮廓，建立两层层级（外 / 内）cv2.RETR_TREE：检索所有轮廓，建立完整的树形层级
method 轮廓逼近方法（压缩轮廓点，减少冗余） cv2.CHAIN_APPROX_NONE：保存所有轮廓点（精度最高，数据量大）cv2.CHAIN_APPROX_SIMPLE：压缩水平 / 垂直 / 对角线，仅保存端点（如矩形只存 4 个角点，最常用）

返回值：

  • contours：轮廓列表，每个轮廓是N×1×2的 NumPy 数组，存储轮廓的 (x,y) 坐标点；
  • hierarchy：层级数组，形状为1×N×4 ，每个轮廓对应 4 个值[next, prev, child, parent]，分别表示「下一个轮廓、上一个轮廓、子轮廓、父轮廓」，无对应轮廓时为 - 1。
2. 绘制轮廓：cv2.drawContours()

函数原型：

python 复制代码 
img = cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)

关键参数：

参数 作用 常用值
image 绘制的目标图像 建议用彩色图（方便看轮廓），直接修改原图，可提前复制
contours 待绘制的轮廓列表 即cv2.findContours()的返回值
contourIdx 绘制的轮廓索引 -1：绘制所有轮廓具体数字（如 0、1）：绘制指定索引的轮廓
color 轮廓颜色 BGR 格式，如(0,255,0)（绿色）、(0,0,255)（红色）
thickness 轮廓线宽 正数：线宽（如 2）-1：填充轮廓内部（绘制实心形状）
maxLevel 绘制的轮廓层级 配合hierarchy使用，0：仅绘制当前轮廓，1：绘制当前 + 子轮廓

三、查找并绘制轮廓的标准流程

所有轮廓操作的基础是高质量的二值图，预处理不到位会导致轮廓检测混乱，标准步骤如下：

  1. 读取图像，转为灰度图（cv2.cvtColor()）；
  2. 图像预处理（可选）：去噪（cv2.GaussianBlur()），避免噪声被检测为轮廓；
  3. 二值化（cv2.threshold()/cv2.adaptiveThreshold()）：将图像转为黑白，突出前景；
  4. （可选）形态学运算（cv2.dilate()/cv2.erode()）：膨胀填充前景孔洞，腐蚀去除微小噪声；
  5. 查找轮廓（cv2.findContours()）：复制二值图避免被修改；
  6. 绘制轮廓（cv2.drawContours()）：用彩色图绘制，方便可视化；
  7. 显示 / 保存结果。
基础实现代码（最常用场景：检测外轮廓并绘制）
python 复制代码 
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 1. 读取图像并转灰度
img = cv2.imread('shape.jpg')  # 读取彩色图，用于后续绘制轮廓
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
cv2.imshow('Gray', gray)

# 2. 预处理：高斯去噪 + 二值化（关键：让前景和背景分离）
blur = cv2.GaussianBlur(gray, (3, 3), 0)  # 去噪，避免噪声干扰轮廓检测
# 二值化：大于127设为255（白，前景），小于设为0（黑，背景），THRESH_BINARY_INV为反向
ret, binary = cv2.threshold(blur, 127, 255, cv2.THRESH_BINARY)
cv2.imshow('Binary', binary)

# 3. 查找轮廓：仅找外轮廓，压缩轮廓点（最常用参数组合）
# 注意：传入binary的复制，避免函数修改原二值图
contours, hierarchy = cv2.findContours(binary.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
print(f"检测到的轮廓数量：{len(contours)}")

# 4. 绘制轮廓：在彩色原图的复制上绘制，绿色，线宽2，绘制所有轮廓
img_contour = img.copy()
cv2.drawContours(img_contour, contours, -1, (0, 255, 0), 2)

# 5. 显示结果
cv2.imshow('Contour', img_contour)
cv2.waitKey(0)
cv2.destroyAllWindows()

四、关键优化：形态学运算优化二值图

如果二值图存在前景孔洞 或微小噪声点 ，会导致检测到多余轮廓或轮廓不闭合，此时用形态学膨胀 / 闭运算优化：

python 复制代码 
# 二值化后添加形态学运算
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 闭运算（膨胀→腐蚀）：填充前景内部的小孔洞
binary_close = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)
# 膨胀：让前景轮廓更连续（可选，根据图像调整）
# binary_dilate = cv2.dilate(binary_close, kernel, iterations=1)
# 再查找轮廓
contours, hierarchy = cv2.findContours(binary_close.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

五、实战常见需求

1. 绘制单个轮廓 & 填充轮廓内部
python 复制代码 
img_contour = img.copy()
# 绘制第0个轮廓：红色，线宽3
cv2.drawContours(img_contour, contours, 0, (0, 0, 255), 3)
# 绘制第1个轮廓：蓝色，填充内部（thickness=-1）
cv2.drawContours(img_contour, contours, 1, (255, 0, 0), -1)
cv2.imshow('Single & Filled Contour', img_contour)
2. 筛选轮廓（按面积 / 周长）

实际开发中，噪声会被检测为小轮廓，可通过轮廓面积 （cv2.contourArea()）或轮廓周长 （cv2.arcLength()）筛选有效轮廓：

python 复制代码 
img_filter = img.copy()
valid_contours = []  # 存储有效轮廓
for cnt in contours:
    # 计算轮廓面积
    area = cv2.contourArea(cnt)
    # 计算轮廓周长（True表示轮廓闭合）
    perimeter = cv2.arcLength(cnt, True)
    # 筛选面积大于100的轮廓（阈值根据图像调整）
    if area > 100:
        valid_contours.append(cnt)
        # 在轮廓旁绘制面积值
        # 获取轮廓的外接矩形，确定文字位置
        x, y, w, h = cv2.boundingRect(cnt)
        cv2.putText(img_filter, f"Area:{int(area)}", (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1)
# 绘制筛选后的有效轮廓
cv2.drawContours(img_filter, valid_contours, -1, (0,255,0), 2)
print(f"筛选后的有效轮廓数量：{len(valid_contours)}")
cv2.imshow('Filtered Contour', img_filter)
3. 绘制轮廓的外接矩形 / 外接圆（目标定位）

轮廓的外接矩形 / 外接圆是目标定位的常用手段，结合cv2.boundingRect()（外接矩形）、cv2.minEnclosingCircle()（最小外接圆）实现：

python 复制代码 
img_outer = img.copy()
for cnt in valid_contours:
    # 绘制外接矩形：绿色
    x, y, w, h = cv2.boundingRect(cnt)
    cv2.rectangle(img_outer, (x,y), (x+w,y+h), (0,255,0), 2)
    # 绘制最小外接圆：红色
    (x_c, y_c), r = cv2.minEnclosingCircle(cnt)
    center = (int(x_c), int(y_c))
    radius = int(r)
    cv2.circle(img_outer, center, radius, (0,0,255), 2)
cv2.imshow('Outer Shape', img_outer)
4. 检测嵌套轮廓（绘制内外轮廓）

使用cv2.RETR_TREE检索所有层级轮廓，结合hierarchy区分内外轮廓（父轮廓parent=-1，子轮廓parent≥0）：

python 复制代码 
# 重新查找所有轮廓，建立树形层级
contours, hierarchy = cv2.findContours(binary_close.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
img_tree = img.copy()
for i, cnt in enumerate(contours):
    # 父轮廓索引：hierarchy[0][i][3]
    parent = hierarchy[0][i][3]
    if parent == -1:
        # 无父轮廓 → 外层轮廓：绿色
        cv2.drawContours(img_tree, contours, i, (0,255,0), 2)
    else:
        # 有父轮廓 → 内层轮廓：红色
        cv2.drawContours(img_tree, contours, i, (0,0,255), 2)
cv2.imshow('Inner & Outer Contour', img_tree)

六、高级应用：轮廓的形状识别

通过轮廓的逼近多边形 （cv2.approxPolyDP()）判断形状（如三角形、矩形、圆形），核心原理是用最少的点逼近轮廓，点的数量对应形状的边数：

python 复制代码 
img_shape = img.copy()
for cnt in valid_contours:
    perimeter = cv2.arcLength(cnt, True)
    # 轮廓逼近：epsilon为周长的0.04倍（阈值越小，逼近越接近原轮廓）
    epsilon = 0.04 * perimeter
    approx = cv2.approxPolyDP(cnt, epsilon, True)
    # 获取逼近后的顶点数量
    vertex_num = len(approx)
    # 判断形状
    if vertex_num == 3:
        shape = "Triangle"
    elif vertex_num == 4:
        # 4个顶点：判断是否为正方形（长宽比接近1）
        x, y, w, h = cv2.boundingRect(approx)
        ratio = w / float(h)
        shape = "Square" if 0.95 <= ratio <= 1.05 else "Rectangle"
    elif vertex_num > 6:
        shape = "Circle"
    else:
        shape = "Other"
    # 绘制逼近多边形+形状文字
    cv2.drawContours(img_shape, [approx], 0, (0,255,0), 2)
    cv2.putText(img_shape, shape, (cnt[:,0,0].min(), cnt[:,0,1].min()-10), 
                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255,0,0), 1)
cv2.imshow('Shape Recognition', img_shape)

七、常见问题与解决方案

  1. 检测不到轮廓 ：
    • 二值图前景 / 背景颠倒：改用cv2.THRESH_BINARY_INV反向二值化；
    • 图像有噪声：增加高斯去噪或形态学运算；
    • 轮廓是黑色：二值图必须白色为前景，黑色为背景。
  2. 检测到大量冗余小轮廓 ：按轮廓面积 / 周长筛选，或增大形态学腐蚀的核尺寸。
  3. 轮廓不闭合 ：用形态学闭运算填充轮廓间隙，或调整二值化阈值。
  4. OpenCV3 和 OpenCV4 的 API 差异 ：
    • OpenCV3：image, contours, hierarchy = cv2.findContours(...)（多返回一个修改后的图像）；
    • OpenCV4+：contours, hierarchy = cv2.findContours(...)（推荐，简化返回值）。

八、完整综合示例（轮廓检测 + 筛选 + 形状识别 + 绘制）

python 复制代码 
import cv2
import numpy as np

# 1. 读取图像并预处理
img = cv2.imread('shape_mix.jpg')
if img is None:
    raise ValueError("图像读取失败，请检查路径！")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (3, 3), 0)
ret, binary = cv2.threshold(blur, 127, 255, cv2.THRESH_BINARY)

# 2. 形态学优化二值图
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
binary_close = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

# 3. 查找外轮廓
contours, hierarchy = cv2.findContours(binary_close.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 4. 筛选有效轮廓+形状识别+绘制
img_result = img.copy()
valid_contours = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > 50:  # 筛选面积大于50的轮廓
        valid_contours.append(cnt)
        # 轮廓逼近
        perimeter = cv2.arcLength(cnt, True)
        epsilon = 0.04 * perimeter
        approx = cv2.approxPolyDP(cnt, epsilon, True)
        vertex_num = len(approx)
        # 判断形状
        if vertex_num == 3:
            shape = "Triangle"
            color = (0, 255, 0)
        elif vertex_num == 4:
            x, y, w, h = cv2.boundingRect(approx)
            ratio = w / float(h)
            shape = "Square" if 0.95 <= ratio <= 1.05 else "Rectangle"
            color = (0, 0, 255)
        elif vertex_num > 6:
            shape = "Circle"
            color = (255, 0, 0)
        else:
            shape = "Other"
            color = (128, 128, 0)
        # 绘制轮廓+外接矩形+形状文字
        cv2.drawContours(img_result, [approx], 0, color, 2)
        x, y, w, h = cv2.boundingRect(cnt)
        cv2.rectangle(img_result, (x, y), (x+w, y+h), color, 1)
        cv2.putText(img_result, f"{shape}({int(area)})", (x, y-10), 
                    cv2.FONT_HERSHEY_SIMPLEX, 0.4, color, 1)

# 5. 显示所有结果
cv2.imshow('Original', img)
cv2.imshow('Binary', binary_close)
cv2.imshow('Contour & Shape Recognition', img_result)
print(f"原始轮廓数：{len(contours)}，有效轮廓数：{len(valid_contours)}")
cv2.waitKey(0)
cv2.destroyAllWindows()
# 保存结果
cv2.imwrite('contour_result.jpg', img_result)

总结

OpenCV-Python 查找并绘制轮廓的核心要点：

  1. 预处理是基础 ：灰度→去噪→二值化→（形态学优化），确保二值图白色前景、黑色背景，无噪声和孔洞；
  2. API 核心参数 ：
    • 查找轮廓：cv2.RETR_EXTERNAL（外轮廓）+cv2.CHAIN_APPROX_SIMPLE（压缩点）是最常用组合；
    • 绘制轮廓：contourIdx=-1绘所有轮廓，thickness=-1填充内部；
  3. 实用技巧 ：
    • 用cv2.contourArea()/cv2.arcLength()筛选有效轮廓，排除噪声；
    • 用cv2.boundingRect()/cv2.minEnclosingCircle()实现目标定位；
    • 用cv2.approxPolyDP()做轮廓逼近，实现形状识别；
  4. 层级轮廓 ：cv2.RETR_TREE检索所有嵌套轮廓，通过hierarchy区分内外轮廓。

轮廓操作是 OpenCV 图像处理的核心技能，广泛应用于目标检测、图像分割、工业检测（如瑕疵识别）、形状分析等场景，掌握上述方法即可应对绝大多数实际开发需求。

相关推荐
无名修道院2 小时前
AI大模型应用开发-用 MySQL 存储简单数据，用 Python 操作数据库
数据库·python·mysql·ai大模型应用开发
Chef_Chen2 小时前
数据科学每日总结--Day47--计算机视觉
图像处理·人工智能·计算机视觉
xianrenli382 小时前
python版本配置
开发语言·python
啵啵鱼爱吃小猫咪2 小时前
机器人标准DH（SDH）与改进DH（MDH）
开发语言·人工智能·python·学习·算法·机器人
工程师老罗2 小时前
DataLoader的用法
人工智能·python
工程师老罗2 小时前
PyTorch与TensorBoard兼容性问题解决方案
人工智能·pytorch·python
曲幽2 小时前
FastAPI日志实战：从踩坑到优雅配置，让你的应用会“说话”
python·logging·fastapi·web·error·log·info
小舞O_o2 小时前
CondaError: Run ‘conda init‘ before ‘conda activate‘
linux·python·conda
奔跑草-2 小时前
【AI日报】每日AI最新消息2026-01-28
人工智能·目标检测·机器学习·计算机视觉·产品经理
热门推荐
01GitHub 镜像站点02【网络安全测试】Burp Suite工具使用说明、配置及常见问题（有关必回）03OpenCode 入门教程：介绍 · 安装 · 配置第三方 API (如 Claude)04Claude Code Skills 实用使用手册05UV安装并设置国内源06struts2 XML外部实体注入漏洞复现（CVE-2025-68493）07在Trae中使用Pencil MCP08Open Code教程（四）| 高级配置与集成09在VSCode配置Java开发环境的保姆级教程（适配各类AI编程IDE）10AI 规范驱动开发“三剑客”深度对比：Spec-Kit、Kiro 与 OpenSpec 实战指南