【计算机视觉OpenCV 实战】轮廓检测、轮廓特征提取与轮廓近似（零基础入门

文章目录

前言
- [ $【计算机视觉】OpenCV 图像处理阈值处理 + 图像编辑 + 噪声滤波 + 图像运算$ (https://blog.csdn.net/m0_66822255/article/details/161371374?spm=1001.2014.3001.5501)](#【计算机视觉】OpenCV 图像处理阈值处理 + 图像编辑 + 噪声滤波 + 图像运算)
一、轮廓检测基础
- 1.概念
- [2. 轮廓检测的前置条件](#2. 轮廓检测的前置条件)
- [3. 完整代码](#3. 完整代码)
- [4. 代码详解](#4. 代码详解)
二、轮廓特征筛选与外接图形绘制
- [1. 概念](#1. 概念)
- [2. 完整代码](#2. 完整代码)
- [3. 代码详解](#3. 代码详解)
三、轮廓近似（多边形逼近）
- 1.概念
- [2. 完整代码](#2. 完整代码)
- [3. 代码详解](#3. 代码详解)

前言

在计算机视觉领域，OpenCV 是最经典、最常用的开源图像处理库，无论是基础的图像变换、噪声处理，还是进阶的目标检测、图像分割，都离不开 OpenCV 的核心操作。本次案例全覆盖轮廓检测、轮廓特征筛选、外接圆 / 外接矩形绘制、轮廓近似四大核心模块，搭配逐行代码解析 + 原理详解 + 效果说明。

如果对计算机视觉有兴趣但是没有了解的读者，可以先观看博主的第一篇关于计算机视觉入门的文章。

【计算机视觉】OpenCV 图像处理阈值处理 + 图像编辑 + 噪声滤波 + 图像运算

一、轮廓检测基础

1.概念

轮廓检测是图像分割与目标识别的核心技术，核心逻辑是：在二值图像中，通过边缘点的连接，勾勒出目标物体的边界轮廓，实现前景物体的定位与分离。

简单来说：就是把图像中不同物体的 "外边框" 找出来，后续才能进行物体计数、特征分析等操作。

2. 轮廓检测的前置条件

轮廓检测必须在二值图像上进行，所以完整流程是：

彩色图 → 灰度图 → 二值化处理 → 轮廓检测

3. 完整代码

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。

代码完整且可直接运行，有需要可自取

c 复制代码

import cv2
py = cv2.imread('python.png')
py_new = cv2.resize(py,None,fx=0.3,fy=0.3)
py_gray = cv2.cvtColor(py_new,cv2.COLOR_BGR2GRAY)
cv2.imshow('py_b',py_gray)
cv2.waitKey(0)

ret,py_binary = cv2.threshold(py_gray,120,255,cv2.THRESH_BINARY)
cv2.imshow('py_binary',py_binary)
cv2.waitKey(0)
contours = cv2.findContours(py_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[-2]
print(len(contours))


image_copy = py_new.copy()
cv2.drawContours(image=image_copy,contours=contours,contourIdx=-1,color=(0,255,0),thickness=2)
# 查看检测到了多少个轮廓
print("检测到的轮廓总数：", len(contours))
cv2.imshow('Contours_show',image_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

4. 代码详解

在编写代码前，我们需要先安装核心工具包：

c 复制代码

pip install opencv-python numpy -i https://pypi.tuna.tsinghua.edu.cn/simple/

首先导入 OpenCV 库，读取本地图像并做基础预处理：

cv2.imread()：读取彩色图像，参数为图片路径；
cv2.resize()：按比例缩放图像，fx/fy 为宽高缩放比例，避免图像过大导致轮廓检测混乱；
cv2.cvtColor()：将彩色图像转为灰度图，cv2.COLOR_BGR2GRAY 表示 BGR 转灰度，二值化处理必须使用灰度图。

c 复制代码

import cv2
py = cv2.imread('python.png')
py_new = cv2.resize(py,None,fx=0.3,fy=0.3)
py_gray = cv2.cvtColor(py_new,cv2.COLOR_BGR2GRAY)

调用 cv2.threshold() 将灰度图转为黑白二值图。

这涉及到图像的阈值处理，博主也有相关介绍的文章，感兴趣的读者也可以去看看，这里不过多赘述，仅说明方法。

c 复制代码

ret,py_binary = cv2.threshold(py_gray,120,255,cv2.THRESH_BINARY)

这是轮廓检测核心函数，会返回三个值，轮廓列表、层次结构等， $-2$ 表示只取轮廓列表；

轮廓检索模式cv2.RETR_TREE：建立轮廓的完整层次结构.

轮廓逼近方法 cv2.CHAIN_APPROX_NONE：保留轮廓上的所有点。

c 复制代码

contours = cv2.findContours(py_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[-2]

绘制轮廓

image_copy：在原图副本上绘制轮廓，避免修改原图；
contourIdx=-1：表示绘制所有轮廓，若指定索引则只绘制对应轮廓；
color=(0, 255, 0)：轮廓颜色，这里是绿色；代表BGR通道。
thickness=2：轮廓线的粗细。

c 复制代码

image_copy = py_new.copy()
cv2.drawContours(image=image_copy,contours=contours,contourIdx=-1,color=(0,255,0),thickness=2)

程序运行结束后关闭窗口。

c 复制代码

cv2.imshow('Contours_show', image_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行结果：

二、轮廓特征筛选与外接图形绘制

1. 概念

轮廓检测会返回大量轮廓（包括噪声、小斑点等无效轮廓），需要通过轮廓面积筛选有效目标；同时可以为轮廓绘制外接圆、外接矩形，用于目标定位与特征分析。

2. 完整代码

c 复制代码

import cv2
py = cv2.imread('python.png')
py_new = cv2.resize(py,None,fx=0.3,fy=0.3)
py_gray = cv2.cvtColor(py_new,cv2.COLOR_BGR2GRAY)
cv2.imshow('py_b',py_gray)
cv2.waitKey(0)

ret,py_binary = cv2.threshold(py_gray,120,255,cv2.THRESH_BINARY)
cv2.imshow('py_binary',py_binary)
cv2.waitKey(0)
contours = cv2.findContours(py_binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)[-2]
print(len(contours))


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

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

a_list = []
for i in contours:
    if cv2.contourArea(i)>4000:#做筛选，面积大于4000的轮廓
        a_list.append(i)
image_copy = py_new.copy()
image_copy = cv2.drawContours(image=image_copy,contours=a_list,contourIdx=-1,color=(0,255,0),thickness=3)
cv2.imshow('Contours_show_4000',image_copy)
cv2.waitKey(0)

sortcnt = sorted(contours,key=cv2.contourArea,reverse=True)[0]
image_contours = cv2.drawContours(image_copy,[sortcnt],contourIdx=-1,color=(255,0,0),thickness=3)
cv2.imshow('image_contours',image_contours)
cv2.waitKey(0)

#外接圆，外接矩阵
cnt = contours[5]
(x,y),r = cv2.minEnclosingCircle(cnt)
py_new_circle = cv2.circle(py_new,(int(x),int(y)),int(r),(0,255,0),3)
cv2.imshow('py_new_circle',py_new_circle)
cv2.waitKey(0)

x,y,w,h = cv2.boundingRect(cnt)
py_new_rectangle = cv2.rectangle(py_new,(x,y),(x+w,y+h),(0,255,0),3)
cv2.imshow('py_new_rectangle',py_new_rectangle)
cv2.waitKey(0)

3. 代码详解

上方一段代码和轮廓检测是一样的，这里不过多赘述。

这里我们检测轮廓的面积，周长大小，并输出。

面积大小用于代码筛选的条件。

c 复制代码

area_0 = cv2.contourArea(contours[0])
print(area_0)
area_1 = cv2.contourArea(contours[1])
print(area_1)
length = cv2.arcLength(contours[0],closed=True)
print(length)

这里设立for循环遍历语句，目的是筛选出轮廓大小大于4000的轮廓。（单位为像素）

再将筛选出来的轮廓添加到列表中。

c 复制代码

a_list = []
for i in contours:
    if cv2.contourArea(i)>4000:
    		a_list.append(i)

我们这里通过copy的方法，复制原图像，之后的操作都在复制图像上操作，而不会对原图像有影响。

对复制图像进行轮廓检测，并输出图像。

c 复制代码

image_copy = py_new.copy()
image_copy = cv2.drawContours(image=image_copy,contours=a_list,contourIdx=-1,color=(0,255,0),thickness=3)
cv2.imshow('Contours_show_4000',image_copy)
cv2.waitKey(0)

按面积排序，找到最大轮廓。以轮廓的面积为关键字，降序排列；后输出图像。

这里用到的颜色为蓝色，便于后面区分。

c 复制代码

sortcnt = sorted(contours,key=cv2.contourArea,reverse=True)[0]
image_contours = cv2.drawContours(image_copy,[sortcnt],contourIdx=-1,color=(255,0,0),thickness=3)
cv2.imshow('image_contours',image_contours)
cv2.waitKey(0)

我们设cnt为第六个轮廓，绘制外接圆。

要绘制出圆，我们需要圆心坐标和半径r。

cv2.minEnclosingCircle(cnt)：计算轮廓的最小外接圆，返回圆心坐标 (x, y) 和半径 r；

同时，cv2.circle()：在图像上绘制圆形，参数为图像、圆心、半径、颜色、线宽。

c 复制代码

cnt = contours[5]
(x,y),r = cv2.minEnclosingCircle(cnt)
py_new_circle = cv2.circle(py_new,(int(x),int(y)),int(r),(0,255,0),3)
cv2.imshow('py_new_circle',py_new_circle)
cv2.waitKey(0)

绘制外接矩形，我们需要的是左上角坐标和右下角坐标。从代码中，我们可以得到左上角坐标（x，y），和宽w，高h。

在这里我们需要注意的是在pycharm中的坐标系与我们在数学中的形态是不同的。

c 复制代码

x,y,w,h = cv2.boundingRect(cnt)
py_new_rectangle = cv2.rectangle(py_new,(x,y),(x+w,y+h),(0,255,0),3)
cv2.imshow('py_new_rectangle',py_new_rectangle)
cv2.waitKey(0)

运行结果：

三、轮廓近似（多边形逼近）

1.概念

轮廓近似是用更少的点来近似表示轮廓，核心逻辑是通过设置近似精度 epsilon，将复杂轮廓简化为多边形轮廓，保留关键形状特征，减少轮廓点数量，提高后续处理效率。

2. 完整代码

c 复制代码

import cv2

phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)
#二值化
ret,phone_thresh = cv2.threshold(phone_gray,120,255,cv2.THRESH_BINARY)

contours=cv2.findContours (phone_thresh, cv2.RETR_TREE, cv2. CHAIN_APPROX_NONE)[-2]
epsilon = 0.01 * cv2.arcLength(contours[0],True)
approx = cv2.approxPolyDP(contours[0],epsilon,True)

print(contours[0].shape)
print(approx.shape)
phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new,[approx],contourIdx=-1,color=(0,255,0),thickness=3)
cv2.imshow('phone',phone)
cv2.waitKey(0)
cv2.imshow('image_contours',image_contours)
cv2.waitKey(0)

3. 代码详解

在对图像做完预处理之后，计算轮廓周长

cv2.arcLength(contours $0$ , True)：计算轮廓的周长，True 表示轮廓是封闭的；
epsilon：近似精度，这里取轮廓周长的 1%，值越小，近似后的轮廓越接近原轮廓；值越大，轮廓越简化。

c 复制代码

contours=cv2.findContours (phone_thresh, cv2.RETR_TREE, cv2. CHAIN_APPROX_NONE)[-2]
epsilon = 0.01 * cv2.arcLength(contours[0],True)

轮廓近似核心函数cv2.approxPolyDP()，有以下几个参数需要注意，其他的参数可暂时用默认。

contours $0$ ：需要近似的原轮廓；
epsilon：近似精度，即轮廓上的点到近似多边形的最大距离；
True：表示近似后的轮廓是封闭的。

c 复制代码

approx = cv2.approxPolyDP(contours[0],epsilon,True)

打印第一个轮廓的形状，后输出轮廓的格式，一般是(点数, 1, 2)

然后打印打印近似后的经过 approxPolyDP 简化后的轮廓的形状，输出会比原来小很多。

最后在复制的图上，用绿色线画出简化后的轮廓。

c 复制代码

print(contours[0].shape)
print(approx.shape)
phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new,[approx],contourIdx=-1,color=(0,255,0),thickness=3)
cv2.imshow('phone',phone)
cv2.waitKey(0)
cv2.imshow('image_contours',image_contours)
cv2.waitKey(0)

代码输出：

第一行输出是原轮廓。

第二行是简化后的轮廓。

c 复制代码

(759, 1, 2)
(8, 1, 2)

输出结果：

我们观察可以发现简化后的轮廓共8个点，符合结果。

之后也可以尝试不同的近似精度对图像，对轮廓的影响。