import cv2

# 1. 读取原始彩色图像
phone = cv2.imread('phone.png')  

# 2. 图像预处理1：彩色图转灰度图
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)  
cv2.imshow('灰度图', phone_gray)
cv2.waitKey(0)

# 3. 图像预处理2：灰度图二值化处理
# 阈值120：像素>125置为255(白)，像素≤120置为0(黑)
ret, phone_binary = cv2.threshold(phone_gray, thresh=120, maxval=255, type=cv2.THRESH_BINARY)  
cv2.imshow('二值图', phone_binary)
cv2.waitKey(0)

注意OpenCV3.x 与 OpenCV4.x API 存在迭代差异：

OpenCV3.x：返回 3 个参数 image, contours, hierarchy，第一个参数为冗余原图，无实际作用
OpenCV4.0 及以上：彻底删除第一个返回值 image，仅返回 contours, hierarchy

若高版本使用三参数接收，会直接报参数数量不匹配错误。

通用兼容写法：通过反向索引 $-2$ 直接提取轮廓，适配所有 OpenCV 版本。

python 复制代码

_, contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print(hierarchy)
# 兼容OpenCV3.x/4.x所有版本的轮廓检测代码
# contours = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]
print(f"当前图像检测到的轮廓总数：{len(contours)}")

查找轮廓

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: 控制轮廓像素点的存储规则，分为完整存储和压缩存储，直接影响内存占用和运算速度。

cv2.CHAIN_APPROX_NONE

存储轮廓边缘所有像素点

cv2.CHAIN_APPROX_SIMPLE

自动压缩冗余像素，仅保留轮廓拐点、端点

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

这张图一共检测到了 9 个轮廓，索引从 0 到 8。

轮廓 2： $3, 1, -1, 0$

Next = 3：下一个是 3

Previous = 1：上一个是 1

First Child = -1：无子轮廓

Parent = 0：父轮廓是 0

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。

python 复制代码

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)

简单轮廓索引定位

当前通过遍历索引（如for循环）来确定特定轮廓的索引是一种临时方法，仅适用于轮廓较少的简单场景。

python 复制代码

for i in range(len(contours)):
    image_copy = cv2.drawContours(image=image_copy, contours=contours, contourIdx=i, color=(0,255,0), thickness=3)
    cv2.imshow('Contours_show', image_copy)
    cv2.waitKey(0)

轮廓特征

轮廓面积

cv2.contourArea(contour $, oriented$ ) -> retval

contour: 它本质上是一个 numpy 数组，里面存着轮廓的所有顶点坐标。（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。

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)

轮廓周长

cv2.arcLength(InputArray curve, bool closed)

用来计算轮廓或曲线的周长 / 长度，单位是像素。

curve: 输入的二维点集（轮廓顶点），可以是vector或Mat类型。

closed: 布尔值，用于指示曲线是否封闭。

python 复制代码

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

根据面积显示特定轮廓

python 复制代码

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)

先初始化空列表用于存储复合的轮廓

遍历进行条件筛选：遍历所有检测到底轮廓，计算当前轮廓面积，只保留面积大于 10000 像素的轮廓，把满足条件的轮廓存入列表。

复制原始图像。避免直接修改原图，保证后续代码可正常使用原图。

绘制筛选之后的轮廓，在原图副本上用绿色粗线绘制这些轮廓并展示。

根据轮廓面积排序定位

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, contours=[sortcnt], contourIdx=-1, color=(0, 0, 255), thickness=3)  # 绘制轮廓
cv2.imshow('image_contours', image_contours)
cv2.waitKey(0)

筛选面积最大的轮廓

sorted()：对轮廓列表做排序

key=cv2.contourArea：以轮廓面积作为排序依据

reverse=True：降序排列，面积从大到小

$0$ ：取排序后第一个元素，即面积最大的轮廓，结果存入sortcnt

绘制并展示

image_copy：在上一步处理后的图像上绘图

color=(0, 0, 255)：BGR 色彩，代表红色

外接圆与外接矩形

python 复制代码

'''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, center=(int(x), int(y)), radius=int(r), color=(0, 255, 0), thickness=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, pt1=(x, y), pt2=(x+w, y+h), color=(0, 255, 0), thickness=2)  # 在图像上绘制矩形
cv2.imshow('phone_rectangle', phone_rectangle)
cv2.waitKey(0)

取出索引为 6的单个轮廓，赋值给变量 cnt，后续对该轮廓做几何包围计算。

针对第 6 号轮廓，分别计算并绘制最小外接圆和最小外接矩形。

注意：坐标、半径是浮点数，绘图前必须转 int，否则会报错。

轮廓的近似

轮廓近似是 OpenCV 轮廓处理的核心进阶技巧，通过 cv2.approxPolyDP 可以将复杂轮廓简化为少量顶点的多边形，大幅降低后续形状识别、轮廓匹配的计算量。

approx = cv2.approxPolyDP(curve, epsilon, closed)

将复杂轮廓简化为近似多边形轮廓，保留关键顶点的同时去除冗余点。

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

python 复制代码

import cv2

# 1. 图像预处理：灰度化+二值化
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, thresh=120, maxval=255, cv2.THRESH_BINARY)  # 二值化

# 2. 轮廓检测（兼容所有OpenCV版本）
contours = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]

# 3. 设置近似精度（epsilon）：用轮廓周长的1%作为精度
epsilon = 0.01 * cv2.arcLength(contours[0], closed=True)

# 4. 轮廓近似
approx = cv2.approxPolyDP(contours[0], epsilon, closed=True)

# 5. 对比原轮廓与近似轮廓的顶点数量
print("原轮廓顶点数量：", contours[0].shape)
print("近似轮廓顶点数量：", approx.shape)

# 6. 绘制并显示结果
phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new, contours=[approx], contourIdx=-1, color=(0, 255, 0), thickness=3)

cv2.imshow('原始图像', phone)
cv2.waitKey(0)
cv2.imshow('近似轮廓结果', image_contours)
cv2.waitKey(0)
cv2.destroyAllWindows()

近似精度 `epsilon` 的设置

原理：将 epsilon 与轮廓周长绑定，保证不同尺寸的图像都能获得合理的简化效果。

参数解析：

cv2.arcLength(contours $0$ , closed=True)：计算第 0 个轮廓的周长（像素长度）。

0.01：系数，代表取周长的 1% 作为近似精度。系数可调整：

系数调小（如 0.005）：近似更精细，顶点更多，轮廓更接近原图。

系数调大（如 0.05）：近似更粗糙，顶点更少，轮廓更简化。

轮廓近似

输入原轮廓 contours $0$ ，按设置的 epsilon 精度进行简化，输出近似后的多边形轮廓 approx。

近似后的 approx 与原轮廓格式一致，可直接用于 cv2.drawContours 绘制。

顶点数量对比

原轮廓 contours $0$ .shape 通常为 (N, 1, 2)，N 为顶点总数（可能上千个）。

近似后的 approx.shape 顶点数量大幅减少（如矩形轮廓仅保留 4 个顶点），可直观看到简化效果。

不同系数对比效果对比

python 复制代码

# 系数0.005：近似精细，顶点多，轮廓接近原图
epsilon_1 = 0.005 * cv2.arcLength(contours[0], closed=True)
approx_1 = cv2.approxPolyDP(contours[0], epsilon_1, closed=True)

# 系数0.05：近似粗糙，顶点少，轮廓简化明显
epsilon_2 = 0.05 * cv2.arcLength(contours[0], closed=True)
approx_2 = cv2.approxPolyDP(contours[0], epsilon_2, closed=True)

【OpenCV】图像的轮廓检测

轮廓检测

图像预处理

查找轮廓

轮廓的绘制

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。

简单轮廓索引定位

轮廓特征

轮廓面积

轮廓周长

根据面积显示特定轮廓

根据轮廓面积排序定位

外接圆与外接矩形

轮廓的近似

近似精度 epsilon 的设置

轮廓近似

顶点数量对比

不同系数对比效果对比

近似精度 `epsilon` 的设置