opencv基础学习与实战之轮廓分析与模板匹配（4）
在计算机视觉领域，轮廓检测与分析是目标识别、图像分割的核心技术之一。本文将通过具体案例，结合OpenCV库，详细讲解轮廓的几何特征计算（面积、周长）、轮廓筛选与排序，以及模板匹配的实战应用，帮助你快速掌握这些关键技术。
一、轮廓检测基础：从图像到轮廓
1.1 图像预处理
轮廓检测的第一步通常是将图像转换为灰度图并进行二值化处理，以便突出目标轮廓。以下是关键步骤：
import cv2# 读取原始图像（手机图片示例）
phone = cv2.imread('phone.png')
# 转换为灰度图（减少计算量，保留亮度信息）
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
# 二值化处理（阈值120，大于阈值的像素设为255，否则0）
phone_bin = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)[-1]
cv2.cvtColor：颜色空间转换函数，COLOR_BGR2GRAY表示将BGR三通道转为单通道灰度图。cv2.threshold：二值化函数，THRESH_BINARY模式会根据阈值将像素分为黑白两色。[-1]用于提取二值化后的图像（因threshold返回阈值和结果两个值）。
1.2 轮廓查找
通过cv2.findContours函数提取二值图像中的轮廓。该函数会遍历图像中的连通区域，返回轮廓列表。
# 查找轮廓（RETR_TREE表示树状结构检索所有轮廓，CHAIN_APPROX_NONE保存所有轮廓点）
contours = cv2.findContours(phone_bin, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]
cv2.findContours：输入二值图像（需为单通道），输出轮廓列表。注意：OpenCV 3/4返回(轮廓, 层级)，因此用[-2]取轮廓列表。- 参数说明：
RETR_TREE表示检索所有轮廓并重建嵌套结构；CHAIN_APPROX_NONE表示存储轮廓的所有顶点坐标。
二、轮廓的几何特征分析
轮廓检测后，我们常需要量化其几何特征（如面积、周长），用于筛选或分类目标。以下是两个核心指标的计算方法。
2.1 轮廓面积：cv2.contourArea
轮廓面积表示轮廓所围区域的像素数量，可用于判断轮廓的大小（如区分手机屏幕与小噪点）。
# 计算第0个轮廓的面积（默认返回绝对值）
area_0 = cv2.contourArea(contours[0])
print(f"轮廓0的面积: {area_0}")# 计算第1个轮廓的面积
area_1 = cv2.contourArea(contours[1])
print(f"轮廓1的面积: {area_1}")
oriented参数：默认False，返回面积绝对值；若设为True，会根据轮廓的环绕方向（顺时针/逆时针）返回带符号的面积（符号表示方向）。
2.2 轮廓周长：cv2.arcLength
轮廓周长（弧长）表示轮廓边界的长度，可结合面积判断目标的“圆润度”（如正方形的周长/面积比与圆形不同）。
# 计算第0个轮廓的周长（closed=True表示轮廓是闭合的）
length = cv2.arcLength(contours[0], closed=True)
print(f"轮廓0的周长: {length}")
closed参数：若轮廓是闭合的（如手机屏幕），设为True；若为开放曲线（如线段），设为False。
三、基于轮廓特征的筛选与排序
实际应用中，我们常需要根据面积筛选关键轮廓（如排除小噪点），或按面积排序找到最大/最小目标。
3.1 根据面积筛选轮廓
例如，筛选面积大于10000像素的轮廓（适用于手机屏幕这类大目标）：
a_list = []
for cnt in contours:if cv2.contourArea(cnt) > 10000: # 面积阈值根据实际图像调整a_list.append(cnt)# 在原图上绘制筛选后的轮廓（绿色，线宽3）
image_copy = phone.copy()
cv2.drawContours(image_copy, contours=a_list, contourIdx=-1, color=(0, 255, 0), thickness=3)
cv2.imshow('筛选后的轮廓（面积>10000）', image_copy)
cv2.waitKey(0)
cv2.drawContours：contourIdx=-1表示绘制所有传入的轮廓；color为BGR格式（0,255,0对应绿色）。
3.2 按面积排序轮廓
通过sorted函数结合key=cv2.contourArea，可快速对轮廓按面积排序（降序取最大）：
# 按面积降序排序，取第一个（最大面积轮廓）
sortcnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]# 绘制最大面积轮廓
image_contours = cv2.drawContours(phone.copy(), contours=[sortcnt], contourIdx=-1, color=(0, 255, 0), thickness=3)
cv2.imshow('最大面积轮廓', image_contours)
cv2.waitKey(0)
四、轮廓的外接几何形状
为了更直观地描述轮廓的形状，常需要计算其外接矩形、外接圆等几何形状。
4.1 外接圆：cv2.minEnclosingCircle
外接圆是包含轮廓的最小圆形，适用于分析目标的圆形度。
cnt = contours[6] # 选取一个轮廓（如手机LOGO）
(x, y), r = cv2.minEnclosingCircle(cnt) # 圆心(x,y)，半径r# 绘制外接圆（转为整数坐标）
phone_circle = cv2.circle(phone, center=(int(x), int(y)), radius=int(r), color=(0, 255, 0), thickness=2)
cv2.imshow('轮廓的外接圆', phone_circle)
cv2.waitKey(0)
4.2 外接矩形：cv2.boundingRect
外接矩形是包含轮廓的最小轴对齐矩形，适用于目标定位（如手机屏幕的边界）。
x, y, w, h = cv2.boundingRect(cnt) # 左上角坐标(x,y)，宽度w，高度h# 绘制外接矩形
phone_rectangle = cv2.rectangle(phone, pt1=(x, y), pt2=(x + w, y + h), color=(0, 255, 0), thickness=2)
cv2.imshow('轮廓的外接矩形', phone_rectangle)
cv2.waitKey(0)
五、模板匹配：目标定位的经典方法
模板匹配用于在图像中查找与已知模板相似的目标（如检测可乐瓶上的商标）。OpenCV提供了cv2.matchTemplate函数实现这一功能。
5.1 匹配原理
cv2.matchTemplate通过滑动窗口遍历待搜索图像，计算每个位置的模板匹配度，返回一个结果矩阵。常见匹配方法包括：
| 方法 | 描述 |
|---|---|
TM_SQDIFF | 平方差匹配（值越小，匹配越好） |
TM_CCORR | 相关匹配（值越大，匹配越好） |
TM_CCOEFF | 相关系数匹配（值越大，匹配越好） |
TM_CCOEFF_NORMED | 归一化相关系数（最常用，范围[0,1]，1表示完全匹配） |
5.2 实战步骤
以“在可乐瓶图像中匹配商标模板”为例：
# 读取待搜索图像（可乐瓶）和模板图像（商标）
kele = cv2.imread('kele.png')
template = cv2.imread('template.png')# 获取模板尺寸（用于后续绘制边界框）
h, w = template.shape[:2] # h=高度，w=宽度# 执行模板匹配（使用归一化相关系数法）
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)# 找到匹配结果中的最大值及其位置（max_val越接近1，匹配越好）
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
top_left = max_loc # 匹配区域的左上角坐标
bottom_right = (top_left[0] + w, top_left[1] + h) # 右下角坐标# 在原图上绘制匹配区域的矩形
kele_template = cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0), 2)# 显示结果
cv2.imshow('模板', template)
cv2.imshow('匹配结果', kele_template)
cv2.waitKey(0)
- 关键说明：
cv2.minMaxLoc用于提取结果矩阵中的极值位置，max_loc对应最佳匹配位置（仅适用于TM_SQDIFF以外的方法）。