輪廓（Contours），指的是有相同顏色或者密度，連接所有連續(xù)點(diǎn)的一條曲線。檢測(cè)輪廓的工作對(duì)形狀分析和物體檢測(cè)與識(shí)別都非常有用。

在輪廓檢測(cè)之前，首先要對(duì)圖片進(jìn)行二值化或者Canny邊緣檢測(cè)。在OpenCV中，尋找的物體是白色的，而背景必須是黑色的，因此圖片預(yù)處理時(shí)必須保證這一點(diǎn)。

---

cv2.findContours函數(shù)

Python版示例如下，也可以參考【OpenCV-Python教程（11、輪廓檢測(cè)）】【Contours : Getting Started】

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

1. 完整例子

import cv2#讀入圖片 img = cv2.imread("1.png")# 必須先轉(zhuǎn)化成灰度圖 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化 ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINAEY)# 尋找輪廓 contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 畫出輪廓，-1,表示所有輪廓，畫筆顏色為(0, 255, 0)，即Green，粗細(xì)為3 cv2.drawContours(img, contours, -1, (0, 255, 0), 3)# 顯示圖片 cv2.namedWindow("Contours", cv2.NORMAL_WINDOW) cv2.imshow("Contours", img)# 等待鍵盤輸入 cv2.waitKey(0) cv2.destroyAllWindows()

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14
• 15
• 16
• 17
• 18
• 19
• 20
• 21
• 22
• 23
• 24

---

2. 參數(shù)解釋

這里的findContours函數(shù)，有三個(gè)參數(shù)

• thresh -> 要尋找輪廓的圖片，注意這里的輪廓會(huì)直接改變?cè)趖hresh上，記得備份
• cv2.RETR_TREE -> 表示輪廓檢索模式（Contour retrieval mode）為，檢索所有的輪廓，且重組為一個(gè)有層次的嵌套輪廓。層次信息返回在hierarchy中。
• cv2.CHAIN_APPROX_SIMPLE -> 表示輪廓近似方法（Contour approximation method）。SIMPLE可以這樣理解，假如一個(gè)矩形有1000個(gè)點(diǎn)，但是現(xiàn)在只用四個(gè)角的點(diǎn)表示就行了，即去掉冗余信息。

---

返回值也有兩個(gè)，contours?和?hierarchy

對(duì)contours的理解如下

print "找到 %d 個(gè)輪廓" %(len(contours)) print "第 0 個(gè)輪廓有 %d 個(gè)點(diǎn)" %(len(contours[0]))# 畫出第0個(gè)輪廓 cv2.drawContours(img, contours, 0, (0, 255, 0), 3) cv2.imshow("first contours", img)# 畫出第1個(gè)輪廓 cv2.drawContours(img, contours, 1, (0, 255, 0), 3) cv2.imshow("second contours", img)# 畫出所有的輪廓 cv2.drawContours(img, contours, -1, (0, 255, 0), 3) cv2.imshow("all contours", img)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11
• 12
• 13
• 14

對(duì) hierarchy 的深究，可以參考這里：【Contours Hierarchy】

---

輪廓特征（Contour Features）

查找到輪廓以后，我們可以得出輪廓的一些特征信息，也可以在輪廓上做一些簡單的操作，參考Python教程：【Contour Features】

1. 面積和周長示例

# 尋找輪廓 contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 取第 0 個(gè)輪廓 cnt = contours[0]# 輪廓面積 area = cv2.contourArea(cnt)# 周長，或者說，弧長；第二個(gè)參數(shù)的True表示該輪廓是否封閉 perimeter = cv2.arcLength(cnt, True)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9
• 10
• 11

---

2. 輪廓近似

輪廓近似（Contour Approximation），要理解概念，先來看下面的三張圖。第一張是找到的輪廓；第二張近似的幅度很大，忽略了很多的細(xì)節(jié)；第三細(xì)節(jié)多一點(diǎn).

---

OpenCV中是用 cv2.approxPolyDP()函數(shù)來進(jìn)行輪廓的近似的。見代碼：

# 假設(shè)取第30個(gè)輪廓為例 cnt = contours[30]# 10%，即0.1的精確度 epsilon = 0.1 * cv2.arcLength(cnt, True) approx = cv2.approxPolyDP(cnt, epsilon, True)# 這里是第二張，10%的精確度 cv2.imshow("10% approximation", approx)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

同理，第三張可以用1%的精確度來得到。

---

3. 計(jì)算凸包

涉及凸多面體和凹多面體的概念，不多解釋。如下圖，本來是一個(gè)手掌的形狀，現(xiàn)在用最小的凸多面體把它包起來。其中，凸進(jìn)去（Bulge Inside）的部分，稱為凸包缺陷（Convexity Defects），即箭頭處，即偏導(dǎo)的局部最大值處。

函數(shù)調(diào)用，以后用到再來細(xì)究吧！

hull = cv2.convexHull(cnt) cv2.imshow("hull", hull)

• 1
• 2

• 1
• 2

---

4. 矩形邊框

矩形邊框（Bounding Rectangle）是說，用一個(gè)最小的矩形，把找到的形狀包起來。還有一個(gè)帶旋轉(zhuǎn)的矩形，面積會(huì)更小，效果見下圖

上代碼

# 用綠色(0, 255, 0)來畫出最小的矩形框架 x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)# 用紅色表示有旋轉(zhuǎn)角度的矩形框架 rect = cv2.minAreaRect(cnt) box = cv2.cv.BoxPoints(rect) box = np.int0(box) img = cv2.drawContours(img, [box], 0, (0, 0, 255), 2)

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

• 1
• 2
• 3
• 4
• 5
• 6
• 7
• 8
• 9

---

PS：其他的形狀，如?封閉的圓形，橢圓，直線?等，例子見這里【Contour Features】，原理差不多，不再贅述。

總結(jié)

以上是生活随笔為你收集整理的轮廓检测的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。