目錄：

輪廓常用函數

第一個應用

第二個應用

輪廓就是連接所有連續點(沿著邊界)的曲線，具有相同的顏色或灰度值。輪廓是形狀分析、物體檢測和識別的有用工具。為了提高提取輪廓的精確度，需要先通過閾值處理或canny邊緣檢測將圖像轉換為二值圖像。

在 OpenCV 中，尋找輪廓就像從黑色背景中尋找白色物體，所以要找到的物體應該是白色的，背景應該是黑色的。

只羅列和輪廓相關的幾個函數沒啥意思，通過兩個例子可以對其用法有更深入的理解。

一、輪廓常用函數

1、查找輪廓

在二值圖像中獲取輪廓：

import cv2 im = cv2.imread('test.jpg') imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(imgray, 127, 255, 0) contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

cv2.findContours() 函數中有三個參數：

• thresh：源圖像
• cv2.RETR_TREE：表示輪廓檢索模式
• cv2.CHAIN_APPROX_SIMPLE：表示輪廓近似方法

返回值為獲取到的輪廓 contours 和hierarchy。contours為包含圖像中所有輪廓的python列表（三維數組），每個輪廓是包含邊界所有坐標點(x, y)的Numpy數組。hierarchy 是一個三維數組，它儲存了所有等高線（輪廓）的層級結構，詳情可以查看 1 和 2。

輪廓是具有相同灰度值的形狀的邊界，即一個輪廓可以看做是一個等高線。它存儲形狀邊界的(x, y)坐標。我們可以使用第三個參數來指定是否存儲形狀邊界的所有坐標點。

第二個參數決定 hierarchy 采取什么樣的格式輸出。第三個參數可以指定兩個值，如果是 cv2.CHAIN_APPROX_NONE，則存儲形狀邊界的所有坐標點。但有時我們不需要所有的點，比如一個矩形的輪廓，我們只需要矩形的四個端點就可以了。這時我們就可以傳入 cv2.CHAIN_APPROX_SIMPLE，它會移除所有冗余的點并壓縮輪廓，從而節省內存。

比如下面這個例子，我們標記出矩形所有輪廓點，第一張圖片是使用 cv2.CHAIN_APPROX_NONE 得到的結果，一共有734個點；第二張圖片是使用 cv2.CHAIN_APPROX_SIMPLE 得到的結果，只有4個點。

2、繪制輪廓

可以使用 cv2.drawContours() 函數來繪制輪廓，只要有輪廓的邊界點，就可以用來繪制任何形狀的輪廓。

下面是繪制輪廓的三個例子：

# To draw all the contours in an image: cv2.drawContours(img, contours, -1, (0,255,0), 3) # To draw an individual contour, say 4th contour: cv2.drawContours(img, contours, 3, (0,255,0), 3) # But most of the time, below method will be useful: cnt = contours[4] cv2.drawContours(img, [cnt], 0, (0,255,0), 3)

cv2.drawContours() 函數中有三個參數，第一個參數是源圖像；第二個參數是應該包含輪廓的Python列表；第三個參數是列表索引，用來選擇要繪制的輪廓，為-1時表示繪制所有輪廓；第四個參數是輪廓顏色、第五個參數是輪廓線的寬度，為-1時表示填充。

注意：指定輪廓顏色的值要和圖像通道數一致。

3、輪廓外接矩形

輪廓外接矩形分為正矩形和最小矩形。使用 cv2.boundingRect(cnt) 來獲取輪廓的外接正矩形，它不考慮物體的旋轉，所以該矩形的面積一般不會最小；使用 cv.minAreaRect(cnt) 可以獲取輪廓的外接最小矩形。

兩者區別如下圖所示，綠線表示外接正矩形，紅線表示外接最小矩形：

cv2.boundingRect(cnt) 的返回值包含四個值，矩形框左上角的坐標(x, y)、寬度w和高度h。

x,y,w,h = cv2.boundingRect(cnt)

cv.minAreaRect(cnt) 的返回值中還包含旋轉信息，返回值信息為包括中心點坐標(x,y)，寬高(w, h)和旋轉角度。

然而我們繪制矩形需要矩形的四個頂點坐標，可以通過 cv.boxPoints() 來獲取，如下代碼所示：

rect = cv2.minAreaRect(cnt) print(rect) # center(x, y), (width, height), angle of rotation box = cv2.boxPoints(rect) # box.shape=(4, 2) box = np.int0(box) cv2.drawContours(img,[box],0,(0,0,255),2)

angle的范圍為 (-90,-0]，如上圖中的角

（與矩形框最低點相連的右邊的線），一個矩形逆時針旋轉， 的值變化為：-0 -> -30 -> -60 -> -0，然后不斷循環。

4、輪廓面積

我們可以通過 cv2.contourArea(cnt) 來獲取輪廓的面積，這里的面積表示該形狀內包含的像素點數量。

5、輪廓周長

通過 cv2.arcLength(cnt,True) 來繪制輪廓周長或者曲線長度，第二個參數指定形狀是為閉合輪廓（True）還是普通曲線。這里的周長/長度表示該形狀邊界上的像素點數量。

6、輪廓近似

我們可以將一個輪廓/曲線近似為另一個頂點數量較少的輪廓/曲線，使得它們之間的距離小于或等于指定的精度，通過 cv2.approxPolyDP(cnt, epsilon, True) 來實現。第二個參數用于輪廓近似的精度，表示原始輪廓與其近似輪廓的最大距離，值越小，近似輪廓越擬合原輪廓。第三個參數指定近似輪廓是否是閉合的。

比如下面這張圖，其中物體的原始輪廓（紅線所示）如第一張圖所，第二張圖中綠線就是epsilon為原始輪廓周長的10%時的近似輪廓，第三張圖中綠線就是epsilon為原始輪廓周長的1%時的近似輪廓。

二、第一個應用

原圖為：

現在我們只想獲取圖中圓形的內圓，不包含黑色邊緣部分，就使用我們上面介紹過的函數實現。

先讀取圖像并將其轉換為灰度圖：

import cv2 import numpy as npimg = cv2.imread("shapes.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

使用閾值處理將其轉換為二值圖：

ret, threshed = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)

然后就可以查找二值圖中的輪廓：

contours, _ = cv2.findContours(threshed, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

二值圖和查找到的輪廓如下所示：

我們得到了很多輪廓，但是只想要最中間的那個內圓輪廓，所以我們需要對這些輪廓進行篩選：

# 按輪廓面積將輪廓進行升序排列 cnts = sorted(contours, key=cv2.contourArea) H, W = img.shape[:2] for cnt in cnts:# 獲取輪廓外接矩形的坐標和長寬x,y,w,h = cv2.boundingRect(cnt)# 得到第一個滿足條件的輪廓，就退出循環if cv2.contourArea(cnt) > 100 and (0.8 < w/h < 1.2) and (W/4 < x + w//2 < W*3/4) and (H/4 < y + h//2 < H*3/4):circle = cntbreak

仔細觀察原圖，可以發現我們想獲取的那個圓形輪廓面積足夠大，長寬比接近1，所以滿足條件：

cv2.contourArea(cnt) > 100 and (0.8 < w/h < 1.2)

而且該圓形輪廓的中心點在圖像的正中間部分，所以有：

(W/4 < x + w//2 < W*3/4) and (H/4 < y + h//2 < H*3/4)

當通過滿足上述條件時，我們就可以獲取到我們想要的內圓輪廓。

創建輪廓掩碼并與原圖進行逐位與運算：

mask = np.zeros(img.shape[:2], np.uint8) cv2.drawContours(mask, [circle], -1, 255, -1) dst = cv2.bitwise_and(img, img, mask=mask)

得到最終結果：

三、第二個應用

在這個例子中我們使用輪廓相關知識把這個人物給摳出來，類似于摳圖。

還是先讀取圖像，并轉換為灰度圖，還要對其進行高斯模糊，事先過濾掉不同輪廓之間的細線連接。

第一個應用我們通過閾值處理得到二值圖，這里使用 Canny 邊緣檢測，得到二值圖，然后對其進行膨脹和腐蝕操作，方便稍后提取輪廓。關于形態學操作的內容可以參考這篇文章。

import cv2 import numpy as npimg = cv2.imread('Levi.jpg') gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)blur = cv2.GaussianBlur(gray, (3, 3), 0)edges = cv2.Canny(blur, 10, 200) # Edge detection edges = cv2.dilate(edges, None) # 默認(3x3) edges = cv2.erode(edges, None)

邊緣圖，膨脹圖和腐蝕圖如下所示：

接下來我們就可以獲取處理后的圖像中的輪廓。

先使用 cv2.findContours 獲取所有輪廓，再根據輪廓面積進行降序排列，并獲取到面積最大的輪廓，即圖中人物的輪廓。

接下來通過 cv2.arcLength 得到輪廓周長，并將周長的0.1%作為近似輪廓的精度。然后再使用 cv2.approxPolyDP 得到近似輪廓。

# Find contours in edges（binary image） contours, _ = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) contours = sorted(contours, key=cv2.contourArea, reverse=True) max_contour = contours[0]epsilon = 0.001*cv2.arcLength(max_contour, True) approx = cv2.approxPolyDP(max_contour, epsilon, True)

然后根據近似輪廓建立一個輪廓的掩碼mask，在其上繪制出最大輪廓對應的填充多邊形，用于下一步摳圖。

對掩碼進行高斯模糊用于平滑邊緣，可以消除鋸齒。

mask = np.zeros(img.shape[:2], np.uint8) cv2.drawContours(mask, [approx], -1, 255, -1)mask = cv2.GaussianBlur(mask, (5, 5), 0) cv2.imshow('mask', mask)dst = cv2.bitwise_and(img, img, mask=mask) cv2.imshow('dst', dst)

最后一步就是將掩碼和原圖像進行求與運算，即得到最終結果。

掩碼圖和結果如下所示：

這里說個題外話，這里我們通過 edges = cv2.Canny(blur, 10, 200) 得到二值圖，但是要手動設置兩個閾值參數，不想手動設置的話可以使用如下函數來手動設置：

def auto_canny(image, sigma=0.33):# compute the median of the single channel pixel intensitiesv = np.median(image)# construct two thresholds using the medianlower = int(max(0, (1.0 - sigma) * v))upper = int(min(255, (1.0 + sigma) * v))edged = cv2.Canny(image, lower, upper)return edged

所以將 edges = cv2.Canny(blur, 10, 200) 替換為 edges = auto_canny(blur, sigma=0.33) 即可。

當需要框出目標的輪廓時，推薦使用 cv2.Canny() 邊緣檢測而非閾值處理生成二值圖。理由：

提取邊緣與閾值處理不同，邊緣提取可以識別圖片中目標的形狀、輪廓，而不是簡單的區分出圖片中的高光與暗調，可以簡單地提取圖片中顏色分布位于中間調上的目標（中間調是指色階值接近中值(128)的圖像像素）；

使用Canny邊緣檢測，提取結果的白點數量更少，對等高線檢測的混淆因素減少；

不同邊緣檢測算法中，Canny邊緣檢測效果好（雖然對性能要求高）；

參考：

邊緣檢測，框出物體的輪廓

幾何形狀識別與測量

Contour Features

remove the background of image：1，2

---

如果覺得有用，點個贊吧(? ??_??)?。

與50位技術專家面對面20年技術見證，附贈技術全景圖

總結

以上是生活随笔為你收集整理的opencv函数findcontours_OpenCV 中的轮廓应用的全部內容，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站內容還不錯，歡迎將生活随笔推薦給好友。