OpenCV轮廓检测：从基础到实战，玩转图像轮廓分析

在计算机视觉领域，轮廓检测是一项核心且基础的技术，它能帮助我们从图像中提取目标的形状、位置等关键信息，广泛应用于物体识别、尺寸测量、图像分割等场景。本文将基于OpenCV库，从轮廓检测的原理入手，结合实战代码，全面讲解轮廓检测、轮廓特征分析、轮廓近似及外接图形绘制等核心知识点。

一、轮廓检测的基础认知

1.1 什么是轮廓？

轮廓是图像中连续的、具有相同颜色或灰度的点组成的曲线，它代表了物体的边界。需要注意的是，轮廓与边缘不同：边缘是离散的像素点，而轮廓是连续的、有序的点集，且轮廓检测通常基于二值图像进行（像素值仅为0或255）。

1.2 OpenCV轮廓检测核心API

OpenCV中通过cv2.findContours()函数实现轮廓检测，其完整语法如下：
image, contours, hierarchy = cv2.findContours(img, mode, method)
关键参数解析：

• img：输入图像，必须是二值图像（提前通过阈值处理等方式得到）；

• mode：轮廓检索模式，常用的有：

  ◦ cv2.RETR_EXTERNAL：仅检测最外层轮廓，忽略子轮廓；

  ◦ cv2.RETR_LIST：检测所有轮廓，不建立层级关系；

  ◦ cv2.RETR_TREE：检测所有轮廓，并建立完整的轮廓层级结构（最常用）；

• method：轮廓近似方法：

  ◦ cv2.CHAIN_APPROX_NONE：存储轮廓所有点，数据量较大；

  ◦ cv2.CHAIN_APPROX_SIMPLE：压缩轮廓点，仅保留关键端点（如矩形仅保留4个角点），节省内存。

返回值说明：

• contours：包含所有轮廓的列表，每个轮廓是由边界点坐标组成的Numpy数组；

• hierarchy：轮廓的层次结构，描述轮廓间的父子、相邻关系。
注意：不同OpenCV版本返回值略有差异，通用写法为contours = cv2.findContours(…) [-2]，可兼容不同版本。

二、实战：从图像中检测并绘制轮廓

2.1 前期准备：图像预处理

轮廓检测依赖二值图像，因此首先需要将彩色图像转为灰度图，再通过阈值处理得到二值图像。

import cv2
# 读取图像并转为灰度图
phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
# 阈值处理得到二值图像
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)

• cv2.threshold()：将灰度图中像素值大于120的设为255（白色），小于等于120的设为0（黑色），实现图像二值化。

2.2 检测轮廓并绘制

# 检测轮廓（兼容不同OpenCV版本）
contours = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]
print(f"检测到的轮廓数量：{len(contours)}")
# 绘制指定轮廓（索引为6的轮廓）
image_copy = phone.copy()
image_copy = cv2.drawContours(
    image=image_copy, 
    contours=contours, 
    contourIdx=6,  # 绘制第6个轮廓，-1表示绘制所有轮廓
    color=(0, 255, 0),  # 轮廓颜色（BGR），绿色
    thickness=3  # 轮廓线宽度
)
# 显示结果
cv2.imshow('Original Gray', phone_gray)
cv2.imshow('Binary Image', phone_binary)
cv2.imshow('Contours Show', image_copy)
cv2.waitKey(0)  # 等待按键关闭窗口

三、轮廓特征分析：面积、周长与筛选

检测到轮廓后，我们可以提取其核心特征，实现目标轮廓的筛选。

3.1 计算轮廓面积与周长

# 计算第0个和第1个轮廓的面积
area_0 = cv2.contourArea(contours[0])
area_1 = cv2.contourArea(contours[1])
# 计算第0个轮廓的周长（closed=True表示轮廓闭合）
length_0 = cv2.arcLength(contours[0], closed=True)
print(f"第0个轮廓面积：{area_0}")
print(f"第1个轮廓面积：{area_1}")
print(f"第0个轮廓周长：{length_0}")

3.2 按面积筛选轮廓

实际场景中，我们常需要过滤掉面积过小的噪点轮廓，只保留目标轮廓：

# 筛选面积大于10000的轮廓
valid_contours = []
for cnt in contours:
    if cv2.contourArea(cnt) > 10000:
        valid_contours.append(cnt)
# 绘制筛选后的轮廓
image_copy = phone.copy()
image_copy = cv2.drawContours(
    image=image_copy,
    contours=valid_contours,
    contourIdx=-1,  # 绘制所有筛选后的轮廓
    color=(0, 255, 0),
    thickness=3
)
cv2.imshow('Contours > 10000', image_copy)
cv2.waitKey(0)

3.3 按面积排序轮廓

通过排序可以快速定位最大/次大轮廓，适用于目标主体的提取：

# 按轮廓面积降序排序，取第1个轮廓（次大轮廓）
sorted_cnt = sorted(contours, key=cv2.contourArea, reverse=True)[1]
# 绘制排序后的目标轮廓
image_contours = cv2.drawContours(
    image_copy,
    [sorted_cnt],  # 注意：drawContours要求传入轮廓列表
    contourIdx=-1,
    color=(0, 0, 255),  # 红色标注
    thickness=3
)
cv2.imshow('image_contours', image_contours)
cv2.waitKey(0)

四、外接图形：轮廓的外接圆与外接矩形

为了更直观地定位轮廓，我们可以绘制轮廓的外接圆和最小外接矩形。

4.1 绘制轮廓外接圆

# 选取第6个轮廓
cnt = contours[6]
# 计算外接圆（返回圆心坐标(x,y)和半径r）
(x, y), r = cv2.minEnclosingCircle(cnt)
# 绘制外接圆
phone_circle = cv2.circle(
    phone.copy(),
    (int(x), int(y)),  # 圆心坐标（需转为整数）
    int(r),  # 半径
    (0, 255, 0),  # 绿色
    2  # 线宽
)
cv2.imshow('phone_circle', phone_circle)
cv2.waitKey(0)

4.2 绘制轮廓最小外接矩形

# 计算最小外接矩形（返回左上角坐标(x,y)、宽w、高h）
x, y, w, h = cv2.boundingRect(cnt)
# 绘制外接矩形
phone_rectangle = cv2.rectangle(
    phone.copy(),
    (x, y),  # 左上角
    (x + w, y + h),  # 右下角
    (0, 255, 0),
    2
)
cv2.imshow('phone_rectangle', phone_rectangle)
cv2.waitKey(0)

五、轮廓近似：简化轮廓形状

轮廓近似是通过减少轮廓点的数量，用更简洁的曲线逼近原始轮廓，核心API为cv2.approxPolyDP()。

5.1 轮廓近似原理

通过设置epsilon（近似精度，为轮廓周长的百分比），控制近似程度：epsilon越小，近似轮廓越接近原始轮廓；epsilon越大，轮廓越简化。

5.2 实战代码

# 重新读取图像并预处理
phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
ret, phone_thresh = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)
# 检测轮廓
contours = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]
# 计算近似精度（轮廓周长的1%）
epsilon = 0.01 * cv2.arcLength(contours[0], True)
# 执行轮廓近似
approx = cv2.approxPolyDP(contours[0], epsilon, True)
# 打印原始轮廓与近似轮廓的点数量
print(f"原始轮廓点数量：{contours[0].shape}")
print(f"近似轮廓点数量：{approx.shape}")
# 绘制近似轮廓
phone_new = phone.copy()
image_contours = cv2.drawContours(
    phone_new,
    [approx],
    contourIdx=-1,
    color=(0, 255, 0),
    thickness=3
)
cv2.imshow('phone', phone)
cv2.imshow('image_contours', image_contours)
cv2.waitKey(0)
# 释放窗口资源
cv2.destroyAllWindows()

六、总结与应用场景

本文从轮廓检测的基础入手，讲解了OpenCV中轮廓检测、绘制、特征分析、外接图形及轮廓近似的核心用法。轮廓检测的核心流程可总结为：
图像读取 → 灰度转换 → 二值化 → 轮廓检测 → 轮廓分析/绘制/筛选。

典型应用场景：

1. 物体识别：通过轮廓特征（面积、形状、近似轮廓）匹配目标物体；

2. 尺寸测量：基于外接矩形/圆计算物体的长宽、直径等尺寸；

3. 图像分割：提取目标轮廓，分离前景与背景；

4. 缺陷检测：对比标准轮廓与实际轮廓，识别产品表面的缺陷。

掌握轮廓检测技术，能为计算机视觉项目打下坚实基础。在实际开发中，可根据场景调整阈值、近似精度、轮廓检索模式等参数，以达到最优的检测效果。