当前位置： 首页 > ai >正文

OpenCV的轮廓检测

ai 2025/8/30 7:31:13

1. 轮廓检测的基本概念

轮廓是图像中连续的、闭合的曲线段，代表物体的边界（如圆形的轮廓是一条闭合曲线）。OpenCV 的轮廓检测通过 cv2.findContours() 实现，可用于形状识别、物体计数、图像分割等场景。

2. 核心函数与参数

（1）cv2.findContours()：检测轮廓

contours, hierarchy = cv2.findContours(image,      # 输入图像（必须为二值图，需提前灰度化+二值化）mode,       # 轮廓检索模式（如RETR_EXTERNAL、RETR_TREE）method      # 轮廓逼近方法（如CHAIN_APPROX_SIMPLE、CHAIN_APPROX_NONE）
)

返回值：

contours：检测到的轮廓列表，每个轮廓是一个点的集合（ndarray 类型）。

hierarchy：轮廓的层次结构（如嵌套关系），若无需层次可忽略。

  • 参数说明：mode（轮廓检索模式）：
    • 模式含义
      RETR_EXTERNAL仅检测最外层轮廓（忽略内部嵌套的轮廓，适合简单物体计数）。
      RETR_LIST检测所有轮廓，但不建立层次关系（最快，适合无需嵌套分析的场景）。
      RETR_CCOMP检测所有轮廓，组织为两级结构（外层为连通域，内层为孔洞）。
      RETR_TREE检测所有轮廓，并建立完整的树状层次（适合嵌套轮廓，如 “矩形内的圆形”）。

    • method（轮廓逼近方法）：

      方法含义
      CHAIN_APPROX_NONE存储轮廓的所有像素点（最详细，速度慢、占用内存大）。
      CHAIN_APPROX_SIMPLE压缩轮廓，仅保留关键顶点（如矩形仅存 4 个角点，速度快、内存小）。
      CHAIN_APPROX_TC89_L1使用 Teh-Chin 链逼近算法（适合曲线轮廓）。

（2）cv2.drawContours()：绘制轮廓

cv2.drawContours(image,       # 要绘制轮廓的目标图像contours,    # 轮廓列表（来自findContours的输出）contourIdx,  # 要绘制的轮廓索引（-1表示绘制所有轮廓）color,       # 轮廓颜色（如(0,255,0)表示绿色）thickness=2, # 轮廓线宽度（-1表示“填充轮廓”）
)

3. 完整流程：从预处理到轮廓检测

轮廓检测对图像质量敏感，需先进行预处理（灰度化、二值化、降噪）。以下是完整代码示例：

import cv2
import numpy as np# 1. 读取并预处理图像
img = cv2.imread("shape.jpg")                # 读取彩色图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 灰度化
blur = cv2.GaussianBlur(gray, (5,5), 0)       # 高斯降噪（可选，视情况而定）
_, binary = cv2.threshold(blur, 127, 255, cv2.THRESH_BINARY)  # 二值化（>127设为255，否则0）# 2. 检测轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE,       # 检测所有轮廓并建立树状层次cv2.CHAIN_APPROX_SIMPLE  # 压缩轮廓，保留关键顶点
)# 3. 绘制轮廓（绿色，线宽2）
cv2.drawContours(img, contours, -1, (0,255,0), 2)  # 4. 显示结果
cv2.imshow("Contours", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

4. 关键注意事项

预处理必须到位：
轮廓检测要求输入为二值图像（仅有黑 / 白）。若原图是彩色，需先转灰度（cv2.COLOR_BGR2GRAY），再二值化（cv2.threshold）；若有噪声，可先高斯模糊（cv2.GaussianBlur）。

版本兼容性：

OpenCV 2 返回 (contours, hierarchy)（2 个值）；

OpenCV 3/4 返回 (img, contours, hierarchy)（3 个值）。

若代码需兼容多版本，可按以下方式处理：

ret = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
if len(ret) == 3:img, contours, hierarchy = ret  # OpenCV 3/4
else:contours, hierarchy = ret       # OpenCV 2

轮廓筛选与分析：

若需筛选特定轮廓（如面积最大的轮廓），可遍历 contours 并计算面积：

max_area = 0
max_contour = None
for cnt in contours:area = cv2.contourArea(cnt)if area > max_area:max_area = areamax_contour = cnt

5. 应用场景形状识别

通过轮廓的周长、面积、近似多边形（cv2.approxPolyDP）判断形状（如矩形、圆形）。

物体计数：统计图像中轮廓的数量（需配合RETR_EXTERNAL排除内部孔洞）。

图像分割：用轮廓包围区域，提取目标物体。

6.实例:

import cv2
phone =cv2.imread('phone.png')#波收颇图
phone_gray =cv2.cvtColor(phone,cv2.COLOR_BGR2GRAY)
cv2.imshow('phone_gray',phone_gray)
cv2.waitKey(0)
ret, phone_binary= cv2.threshold(phone_gray, 120, 255,cv2.THRESH_BINARY)
cv2.imshow( 'phone_binary',phone_binary)
cv2.waitKey(0)
_,contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)image_copy = phone.copy()
cv2.drawContours(image=image_copy, contours=contours, contourIdx=-1,color=(0,255,0),thickness=4)
cv2.imshow('Contours_show',image_copy)
cv2.waitKey(0)# cv2.contourArea(contour[, oriented]) -> retval  轮廓面积
# 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area_0 = cv2.contourArea(contours[0])
print(area_0)
area_1 = cv2.contourArea(contours[1])
print(area_1)# arcLength(InputArray curve, bool closed)  轮廓周长
# 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)# 根据面积筛选显示轮廓
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)# '''轮廓定位方法 根据轮廓面积进行排序'''
sortcnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]  # 选取最大面积的轮廓
image_contours = cv2.drawContours(phone.copy(), contours=[sortcnt], contourIdx=-1, color=(0, 0, 255), thickness=3) # 绘制轮廓
cv2.imshow('image_contours', image_contours)
cv2.waitKey(0)

这段代码是基于 OpenCV 的图像轮廓检测与分析示例，主要实现了从图像读取、预处理到轮廓提取、筛选和排序的完整流程。以下是代码解析：

1. 导入库与读取图像

import cv2
phone = cv2.imread('phone.png')  # 读取原始图像（假设为手机相关图像）

导入 OpenCV 库（cv2），用于图像处理。

使用cv2.imread()读取本地图像phone.png，返回的phone是 BGR 格式的彩色图像（OpenCV 默认读取格式）。

2. 图像预处理（灰度化与二值化）

# 灰度化：将彩色图像转为单通道灰度图
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
cv2.imshow('phone_gray', phone_gray)  # 显示灰度图
cv2.waitKey(0)  # 等待用户按键（0表示无限等待）# 二值化：将灰度图转为黑白二值图（轮廓检测的前提）
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)
cv2.imshow('phone_binary', phone_binary)  # 显示二值图
cv2.waitKey(0)

灰度化：通过cv2.cvtColor()将 BGR 彩色图转为灰度图（单通道），减少计算量，为后续处理简化图像。

二值化：使用cv2.threshold()将灰度图转为黑白二值图：

阈值设为 120，即灰度值 > 120 的像素设为 255（白色），≤120 的设为 0（黑色）。cv2.THRESH_BINARY是二值化模式，返回ret（阈值）和二值化结果phone_binary。

cv2.imshow()和cv2.waitKey(0)用于显示图像并暂停，等待用户确认后继续。

3. 轮廓检测与绘制

# 检测轮廓（OpenCV 3/4版本返回3个值，用_忽略第一个）
_, contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)# 复制原始图像，在副本上绘制所有轮廓
image_copy = phone.copy()
cv2.drawContours(image=image_copy, contours=contours,  # 轮廓列表contourIdx=-1,      # -1表示绘制所有轮廓color=(0,255,0),    # 轮廓颜色（绿色，BGR格式）thickness=4         # 轮廓线宽
)
cv2.imshow('Contours_show', image_copy)  # 显示所有轮廓
cv2.waitKey(0)

轮廓检测：cv2.findContours()从二值图中提取轮廓：

输入：二值图phone_binary（背景为黑，目标为白）。

参数cv2.RETR_TREE：检测所有轮廓，并保留完整的层次关系（如嵌套轮廓的父子关系）。

参数cv2.CHAIN_APPROX_NONE：存储轮廓的所有像素点（不压缩，最完整但内存占用大）。

返回：contours（轮廓列表，每个轮廓是像素坐标的数组）、hierarchy（轮廓层次信息）。

绘制轮廓：cv2.drawContours()在图像副本上绘制轮廓，避免修改原图。

4. 轮廓特征计算（面积与周长）

# 计算轮廓面积（第一个和第二个轮廓）
area_0 = cv2.contourArea(contours[0])
print(area_0)  # 打印第一个轮廓的面积
area_1 = cv2.contourArea(contours[1])
print(area_1)  # 打印第二个轮廓的面积# 计算轮廓周长（第一个轮廓，闭合轮廓）
length = cv2.arcLength(contours[0], closed=True)
print(length)  # 打印第一个轮廓的周长

轮廓面积：cv2.contourArea(contour)计算单个轮廓的面积（单位：像素 ²）。

轮廓周长：cv2.arcLength(curve, closed)计算轮廓周长：closed=True表示轮廓是闭合的（如圆形、矩形）。

5. 按面积筛选轮廓

# 筛选面积>10000的轮廓（去除小面积噪声）
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,  # 仅包含大面积轮廓的列表contourIdx=-1, color=(0, 255, 0), thickness=3
)
cv2.imshow('Contours_show_10000', image_copy)  # 显示筛选结果
cv2.waitKey(0)

实际场景中，检测到的轮廓可能包含噪声（如小斑点），通过面积阈值（10000）筛选出有意义的大轮廓。

遍历所有轮廓，将面积大于 10000 的轮廓存入a_list，再绘制这些轮廓。

6. 按面积排序并提取最大轮廓

# 按面积降序排序轮廓，取最大面积的轮廓
sortcnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]# 绘制最大面积的轮廓（红色）
image_contours = cv2.drawContours(phone.copy(), contours=[sortcnt],  # 注意：contours参数需传入列表，这里用[sortcnt]包装contourIdx=-1, color=(0, 0, 255),  # 红色（BGR格式）thickness=3
)
cv2.imshow('image_contours', image_contours)  # 显示最大轮廓
cv2.waitKey(0)

sorted(contours, key=cv2.contourArea, reverse=True)：按轮廓面积降序排序，reverse=True表示从大到小。

[0]取排序后的第一个元素（面积最大的轮廓）。

绘制时，contours参数需传入列表，因此用[sortcnt]包装单个轮廓。

总结

这段代码完整演示了轮廓检测的典型流程：
读取图像 → 灰度化 → 二值化 → 检测轮廓 → 分析轮廓特征（面积、周长） → 筛选 / 排序轮廓 → 可视化结果。
核心目的是从图像中提取目标的边界（轮廓），并通过面积等特征筛选出感兴趣的目标）。

http://www.xdnf.cn/news/18994.html

相关文章：

  • 神经语言学与脑科学启发的NLP深层分析：从统计拟合到机制理解的范式转变
  • 基于Spring Boot的短信平台平滑切换设计方案
  • 基于Matlab实现模糊综合评价程序
  • 使用 Java 替换和修改 PDF 文本的方法
  • c++标准模板库
  • 赋能你的应用：英超实时数据接入终极指南（API vs. WebSocket）
  • mongoDB学习（docker）
  • Bert学习笔记
  • HDFS 基本原理与操作流程
  • Python 【深度解析】线程与进程：操作系统中多任务的核心机制
  • 嵌入式第四十一天(数据库)
  • undefined和null
  • 【大模型14】Fine-tuning与大模型优化1
  • HunyuanVideo-Foley视频音效生成模型介绍与部署
  • 【完整源码+数据集+部署教程】胚胎发育阶段检测系统源码和数据集：改进yolo11-SCConv
  • Git 8 ，git 分支开发（ 切换分支开发，并设置远程仓库默认分支 ）
  • 机器视觉opencv教程（二）：二值化、自适应二值化
  • 云计算学习笔记——逻辑卷管理、进程管理、用户提权RAID篇
  • 利用亮数据MCP服务器构建个性化学习情报官智能体
  • 第三章 Vue3 + Three.js 实战：用 OrbitControls 实现相机交互与 3D 立方体展示
  • 《应用密码学》——基础知识及协议结构模块（笔记）
  • 第2.1节：AI大模型之GPT系列（GPT-3、GPT-4、GPT-5）
  • 箭头函数和普通函数的区别
  • websocket的应用
  • 【物联网】什么是 DHT11（数字温湿度传感器）？
  • 为什么不能创建泛型数组?
  • 【计算机408计算机网络】第三章：自底向上五层模型之数据链路层
  • 轮廓周长，面积，外界圆，外界矩形近似轮廓和模板匹配和argparse模块实现代码参数的动态配置
  • STL 深度解析之vector【C++每日一学】
  • AI接管浏览器：Anthropic发布Claude for Chrome，是效率革命还是安全噩梦？