OpenCV 实战封神榜（下）：轮廓检测 + 模板匹配，从特征提取到精准匹配

引言

[一、轮廓检测：从边缘到 "完整形状"](#一、轮廓检测：从边缘到 “完整形状”)

二、轮廓的查找与绘制

[1. 核心逻辑](#1. 核心逻辑)

[2. 实战代码（直接复用）](#2. 实战代码（直接复用）)

[3. 效果图表分析（图 5：轮廓检测流程效果）](#3. 效果图表分析（图 5：轮廓检测流程效果）)

三、轮廓特征分析：量化目标形状

[1. 实战代码（直接复用）](#1. 实战代码（直接复用）)

[2. 效果图表分析（图 6：轮廓特征筛选效果）](#2. 效果图表分析（图 6：轮廓特征筛选效果）)

[四、轮廓近似与外接图形：简化轮廓 + 定位目标](#四、轮廓近似与外接图形：简化轮廓 + 定位目标)

[1. 轮廓近似：压缩轮廓点，简化形状](#1. 轮廓近似：压缩轮廓点，简化形状)

[2. 外接图形：用几何图形框选目标](#2. 外接图形：用几何图形框选目标)

[3. 实战代码（直接复用）](#3. 实战代码（直接复用）)

[4. 效果图表分析（图 7：轮廓近似 + 外接图形效果）](#4. 效果图表分析（图 7：轮廓近似 + 外接图形效果）)

[五、模板匹配：在图像中 "精准找模板"](#五、模板匹配：在图像中 “精准找模板”)

[1. 核心逻辑](#1. 核心逻辑)

[2. 实战代码（直接复用）](#2. 实战代码（直接复用）)

[3. 效果图](#3. 效果图)

六、总结

引言

在上一篇（中）我们吃透了边缘检测的四大算子，而边缘只是 "零散的特征点"，想要从图像中定位目标、提取形状特征，还得靠轮廓检测 ；想要在复杂图像中精准找到指定模板，模板匹配是最直接的方案！今天这篇，我们把轮廓检测的 "查找、绘制、特征分析" 和模板匹配的 "精准定位" 全讲透，代码直接复用，看完就能实现 "图像目标识别"！

一、轮廓检测：从边缘到 "完整形状"

轮廓是 "连续的、闭合的边缘"，是图像中目标的 "形状骨架"。OpenCV 轮廓检测流程：灰度化→二值化→查找轮廓→绘制 / 分析轮廓。

二、轮廓的查找与绘制

1. 核心逻辑

轮廓检测的前提是图像为 "二值图"（像素值仅 0/255），需先做灰度化 + 阈值二值化；cv2.findContours查找轮廓，cv2.drawContours绘制轮廓。

2. 实战代码（直接复用）

python 复制代码

'''----------------轮廓检测-----------------------'''
# 查找轮廓的API：image, contours, hierarchy = cv2.findContours(img, mode, method)#
# 参数：img：需要实现轮廓检测的原图
# mode: 轮廓的检索模式，主要有四种方式：
#    cv2.RETR_EXTERNAL：只检测外轮廓，所有子轮廓被忽略
#    cv2.RETR_LIST：检测的轮廓不建立等级关系，所有轮廓属于同一等级
#    cv2.RETR_CCOMP：返回所有的轮廓，只建立两个等级的轮廓。一个对象的外轮廓为第1级组织结构。
#                   而对象内部中空洞的轮廓为第2级组织结构，空洞中的任何对象的轮廓又是第 1 级组织结构。
#    cv2.RETR_TREE：返回所有的轮廓，建立一个完整的组织结构的轮廓。
# method：轮廓的近似方法，主要有以下两种：
#    cv2.CHAIN_APPROX_NONE：存储所有的轮廓点。
#    cv2.CHAIN_APPROX_SIMPLE：压缩模式，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息。
# 返回：image：返回处理的原图
# contours：包含图像中所有轮廓的list对象。其中每一个独立的轮廓信息以边界点坐标（x,y）的形式储存在numpy数组中。
# hierarchy：轮廓的层次结构。一个包含4个值的数组：[Next, Previous, First Child, Parent]
#   Next：与当前轮廓处于同一层级的下一条轮廓
#   Previous：与当前轮廓处于同一层级的上一条轮廓
#   First Child：当前轮廓的第一条子轮廓
#   Parent：当前轮廓的父轮廓
# 注意：做轮廓检测前需要将图片读取为二值数据，即像素值只为0和255。
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_b',phone_gray)
cv2.waitKey(0)
# phone_gray=cv2.imread('phone.png',0)  #读取灰度图
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)#阈值处理为二值
cv2.imshow('phone_binary',phone_binary)
cv2.waitKey(0)
contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
print(hierarchy)
print(len(contours))

# 轮廓的绘制
# cv2.drawContours(image, contours, contourIdx, color, thickness=None,
#                  lineType=None, hierarchy=None, maxLevel=None, offset=None)
# 参数含义如下：
# image:要在其上绘制轮廓的输入图像。
# contours:轮廓列表，通常由cv2.findContours()函数返回。
# contourIdx:要绘制的轮廓的索引。如果为负数，则绘制所有轮廓。 -1
# color:轮廓的颜色，以BGR格式表示。例如，(0, 255, 0)表示绿色。
# thickness:轮廓线的粗细。默认值为1。
# lineType:轮廓线的类型。默认值为cv2.LINE_8。
# hierarchy:轮廓层次结构。通常由cv2.findContours()函数返回。
# maxLevel:绘制的最大轮廓层级。默认值为None,表示绘制所有层级。
# offset:轮廓点的偏移量。默认值为None。

image_copy = phone.copy()
image_copy = cv2.drawContours(image=image_copy, contours=contours, contourIdx=6,color=(0,255,0),thickness=3)
cv2.imshow('Contours_show', image_copy)
cv2.waitKey(0)

3. 效果图表分析（图 5：轮廓检测流程效果）

处理步骤	效果描述
原始图（phone.png）	彩色手机截图，包含多个 UI 元素（按钮、图标、文字）
灰度图	去除色彩干扰，仅保留明暗信息
二值图	明暗区域被简化为黑 / 白，轮廓的边界清晰可分
绘制轮廓后	索引为 6 的轮廓（如手机图标）被绿色线条标注，轮廓闭合且完整

三、轮廓特征分析：量化目标形状

找到轮廓后，可提取面积、周长等特征，实现 "按特征筛选轮廓"（过滤小噪声轮廓，保留目标轮廓）。

1. 实战代码（直接复用）

python 复制代码

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
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)#阈值处理为二值
contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

#$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$
# 轮廓特征
# cv2.contourArea(contour[, oriented]) → retval      面积
# 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，Ture 时则根据轮廓方向返回带符号的数值

area_0 = cv2.contourArea(contours[0])
print(area_0)
area_1 = cv2.contourArea(contours[1])
print(area_1)

# arcLength(InputArray curve, bool closed)              周长
# 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)
# 根据面积显示特定轮廓
a_list=[]
for i in contours:
    if cv2.contourArea(i) > 10000:
        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('Contours_show_10000', image_copy)
cv2.waitKey(0)
#$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$

2. 效果图表分析（图 6：轮廓特征筛选效果）

筛选条件	效果描述
无筛选（全轮廓）	图像中所有小轮廓（如文字、小图标）都被绘制，画面杂乱
面积 > 10000	仅保留大轮廓（如手机屏幕、大按钮），小噪声轮廓被过滤，目标轮廓更突出
核心价值	特征筛选是 "从多轮廓中定位目标" 的关键，适合复杂背景下的目标提取

四、轮廓近似与外接图形：简化轮廓 + 定位目标

1. 轮廓近似：压缩轮廓点，简化形状

通过cv2.approxPolyDP用更少的点描述轮廓（如把圆角按钮近似为矩形），减少计算量。

2. 外接图形：用几何图形框选目标

包括外接圆、最小外接矩形，快速定位轮廓的位置和大小。

3. 实战代码（直接复用）

python 复制代码

# 轮廓的近似
# 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ndarray数组，为1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) #转换为灰度图
ret,phone_thresh = cv2.threshold(phone_gray,120,255,cv2.THRESH_BINARY)  #二值化
contours, hierarchy = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)#获取轮廓
# #
# epsilon = 0.01 * cv2.arcLength(contours[0],True)        #设置近似精度
# approx = cv2.approxPolyDP(contours[0], epsilon, True)   #对轮廓进行近似
# print(approx.shape)
# phone_new = phone.copy()
# image_contours = cv2.drawContours(phone_new,[approx],contourIdx=-1,color=(0,255,0),thickness=3)#绘制轮廓
# cv2.imshow('phone',phone)
# cv2.waitKey(0)
# cv2.imshow('image_contours',image_contours)
# cv2.waitKey(0)
# # $$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$$
# # 外接圆、外接矩形,...
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)

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)

4. 效果图表分析（图 7：轮廓近似 + 外接图形效果）

处理类型	效果描述
原始轮廓	轮廓点数量多，形状不规则（如带圆角的按钮）
轮廓近似后	用少量点近似轮廓，圆角按钮被近似为矩形，形状更简洁
外接圆	以轮廓中心为圆心、最大距离为半径绘制圆，快速圈定目标范围
最小外接矩形	用矩形精准框选目标，坐标（x,y）+ 宽高（w,h）可直接定位目标位置

五、模板匹配：在图像中 "精准找模板"

模板匹配是最直接的 "目标检索" 方法：用指定模板在待搜索图像中滑动，计算匹配度，匹配度最高的位置即为目标位置。

1. 核心逻辑

cv2.matchTemplate计算匹配度矩阵，cv2.minMaxLoc找到匹配度最高的位置，最后用矩形标注目标区域。

2. 实战代码（直接复用）

python 复制代码

'''-----------------模板匹配--------------------------------'''
# cv2.matchTemplate(image, templ, method, result=None, mask=None)
# image：待搜索图像
# templ：模板图像
# method：计算匹配程度的方法,可以有：
#   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。

kele = cv2.imread('kele.png')
template = cv2.imread('template.png')
cv2.imshow('kele',kele)
cv2.imshow('template',template)
cv2.waitKey(0)

h, w = template.shape[:2]
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)   #返回匹配结果的矩阵,其中每个元素表示该位置与模板的匹配程度
# cv2.minMaxLoc可以获取矩阵中的最小值和最大值，以及最小值的索引号和最大值的索引号
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)  # 最小值、最大值、最小值位置、最大值位置
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)
kele_template = cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0), 2)  # 绘制矩形

cv2.imshow('kele_template', kele_template)
cv2.waitKey(0)

3. 效果图

六、总结

从基础的图像读写、形态学变换，到边缘检测、轮廓分析，再到模板匹配，我们完整走完了 OpenCV "从像素处理到目标匹配" 的核心流程：

基础操作：搞定图像 / 视频的读写、通道分离、缩放、运算等底层技能；
边缘检测：用 Sobel/Scharr/Laplacian/Canny 提取图像边缘特征；
轮廓检测：从边缘中提取闭合形状，分析特征、近似形状、定位目标；
模板匹配：在复杂图像中精准检索指定模板，实现目标定位。

这些技能是计算机视觉的 "基本功"，无论是目标识别、图像分割还是 OCR，都离不开这些核心操作。建议把代码跑起来，调整参数（如阈值、匹配方法），直观感受不同参数的效果，真正吃透 OpenCV 的实战精髓！