1.轮廓发现

轮廓发现是基于图像边缘提取的基础寻找对象轮廓的方法，所以边缘提取的阈值选定会影响最终轮廓发现结果。

1.1发现轮廓

在此步骤中我们会使用到findContours这个API，其原型为：

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])

注:opencv3会返回三个值,分别是img, countours, hierarchy；

而opencv4中只有 countours, hierarchy两个返回值

第一个参数是寻找轮廓的图像；

第二个参数表示轮廓的检索模式，有四种：

(1)RETR_EXTERNAL表示只检测外轮廓

(2)RETR_LIST检测的轮廓不建立等级关系

(3)RETR_CCOMP建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息

(4)RETR_TREE建立一个等级树结构的轮廓

其中最常用的是第一种和第四种。

第三个参数method为轮廓的近似办法：

(1)CHAIN_APPROX_NONE存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max(abs(x1-x2)，abs(y2-y1))==1

(2)CHAIN_APPROX_SIMPLE压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息

(3)CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

1.2绘制轮廓

在绘制轮廓时我们会用到drawContours该API，其原型为：

cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset ]]]]])

第一个参数是指明在哪幅图像上绘制轮廓；

第二个参数是是轮廓本身，在Python中是一个list；

第三个参数指定绘制轮廓list中的哪条轮廓，如果是-1，则绘制其中的所有轮廓；

之后的参数分别为线的颜色和线宽。

2.操作步骤

1.转换图像为二值化图像：threshold方法或者Canny边缘提取获取的都是二值化图像；

2.通过二值化图像寻找轮廓：findContours；

3.描绘轮廓：drawContours。

2.1阈值法获取轮廓

其代码为：

def conters_demo(image):

dst = cv.GaussianBlur(image, (3, 3), 0) # 图像降噪模糊

gray = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)

ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU | cv.THRESH_BINARY)# 用大律法、全局自适应阈值方法进行图像二值化

cv.imshow("binary_image", binary)

contours, heriachy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE) # RETR_TREE检测内部

# contours, heriachy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) # RETR_EXTERNAL检测外部轮廓

for i, contour in enumerate(contours):

cv.drawContours(image, contours, i, (0, 0, 255), 2) # 绘制轮廓

# cv.drawContours(image, contours, i, (0, 0, 255), -1) # 填充轮廓

print(i)

cv.imshow("detect_contours", image)

原图为：

经过二值化后：

绘制其轮廓后：

2.2使用Canny边缘检测获取轮廓

代码为：

def edge_demo(image):

blur = cv.GaussianBlur(image, (3, 3), 0) # 降低噪声

gray = cv.cvtColor(blur, cv.COLOR_BGR2GRAY)

# x方向的梯度

xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)

# y方向的梯度

ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)

# 求出图像的边缘

edge_output = cv.Canny(xgrad, ygrad, 50, 150)

cv.imshow("Canny_Edge", edge_output)

return edge_output

def conters_demo(image):

binary = edge_demo(image)

contours, heriachy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE) # RETR_TREE检测内部

# contours, heriachy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) # RETR_EXTERNAL检测外部轮廓

for i, contour in enumerate(contours):

cv.drawContours(image, contours, i, (0, 0, 255), 2) # 绘制轮廓

# cv.drawContours(image, contours, i, (0, 0, 255), -1) # 填充轮廓

print(i)

cv.imshow("detect_contours", image)

Canny边缘检测后的结果为：

绘制其轮廓为：

完整代码

import cv2 as cv # 导入opencv模块

import numpy as np # 导入数学函数库

def edge_demo(image):

blur = cv.GaussianBlur(image, (3, 3), 0) # 降低噪声

gray = cv.cvtColor(blur, cv.COLOR_BGR2GRAY)

# x方向的梯度

xgrad = cv.Sobel(gray, cv.CV_16SC1, 1, 0)

# y方向的梯度

ygrad = cv.Sobel(gray, cv.CV_16SC1, 0, 1)

# 求出图像的边缘

edge_output = cv.Canny(xgrad, ygrad, 50, 150)

cv.imshow("Canny_Edge", edge_output)

return edge_output

def conters_demo(image):

""""""

dst = cv.GaussianBlur(image, (3, 3), 0) # 图像降噪模糊

gray = cv.cvtColor(dst, cv.COLOR_BGR2GRAY)

ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU | cv.THRESH_BINARY)# 用大律法、全局自适应阈值方法进行图像二值化

cv.imshow("binary_image", binary)

# binary = edge_demo(image)

contours, heriachy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE) # RETR_TREE检测内部

# contours, heriachy = cv.findContours(binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE) # RETR_EXTERNAL检测外部轮廓

for i, contour in enumerate(contours):

cv.drawContours(image, contours, i, (0, 0, 255), 2) # 绘制轮廓

# cv.drawContours(image, contours, i, (0, 0, 255), -1) # 填充轮廓

print(i)

cv.imshow("detect_contours", image)

print("------------hello python!------------")

src = cv.imread("D:/opencv3/image/huafen.jpg")

cv.namedWindow("input_image", cv.WINDOW_AUTOSIZE)

cv.imshow("input_image", src)

conters_demo(src)

cv.waitKey(0)

cv.destroyAllWindows() # 释放所有窗口