设计师在线网站百度优化点击软件
在OpenCV中，轮廓检测和轮廓筛选是图像处理中常用的技术，用于识别和分析图像中物体的形状。以下是详细的分步说明：
一、轮廓检测（Contour Detection）
1. 预处理：生成二值图像
轮廓检测通常在二值图像上进行，因此需要将原图转换为灰度图并进行阈值处理或边缘检测。
import cv2
import numpy as np# 读取图像
image = cv2.imread('object.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 方法1：阈值处理
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 方法2：Canny边缘检测
edges = cv2.Canny(gray, 50, 150)
2. 调用cv2.findContours()检测轮廓
该函数返回轮廓的坐标点和层级关系。
# OpenCV 4.x版本：返回contours, hierarchy
contours, hierarchy = cv2.findContours(binary, mode=cv2.RETR_EXTERNAL, # 检索模式：仅外部轮廓method=cv2.CHAIN_APPROX_SIMPLE # 轮廓近似方法：压缩水平、垂直和对角线段
)
- 参数说明：
mode：轮廓检索模式：cv2.RETR_EXTERNAL：仅检测外部轮廓。cv2.RETR_TREE：检测所有轮廓并建立层级树。
method：轮廓近似方法：cv2.CHAIN_APPROX_SIMPLE：压缩冗余点，节省内存。cv2.CHAIN_APPROX_NONE：保留所有轮廓点。
二、轮廓筛选（Contour Filtering）
1. 基于面积筛选
过滤掉面积过小或过大的轮廓。
filtered_contours = []
for cnt in contours:area = cv2.contourArea(cnt)if 1000 < area < 50000: # 仅保留面积在1000到50000之间的轮廓filtered_contours.append(cnt)
2. 基于周长或长宽比
通过外接矩形的长宽比筛选特定形状的轮廓。
for cnt in contours:x, y, w, h = cv2.boundingRect(cnt)aspect_ratio = w / h # 长宽比if 0.8 < aspect_ratio < 1.2: # 近似正方形的轮廓filtered_contours.append(cnt)
3. 基于形状复杂度
使用多边形近似判断轮廓是否为简单几何形状。
for cnt in contours:epsilon = 0.02 * cv2.arcLength(cnt, True) # 近似精度（周长2%）approx = cv2.approxPolyDP(cnt, epsilon, True)if len(approx) == 4: # 四边形（如矩形）filtered_contours.append(approx)
4. 基于凸性检测
筛选凸形轮廓。
for cnt in contours:if cv2.isContourConvex(cnt):filtered_contours.append(cnt)
三、可视化与输出
1. 绘制筛选后的轮廓
# 在原图上绘制轮廓
output = cv2.drawContours(image, filtered_contours, contourIdx=-1, # -1表示绘制所有轮廓color=(0, 255, 0), # 绿色thickness=2
)cv2.imshow('Filtered Contours', output)
cv2.waitKey(0)
cv2.destroyAllWindows()
2. 提取轮廓坐标
for i, cnt in enumerate(filtered_contours):print(f"Contour {i} coordinates: {cnt.squeeze()}") # 去除冗余维度
四、常见问题与优化
1. 噪声干扰
- 解决方法：预处理时使用高斯模糊或形态学操作（开运算/闭运算）。
blurred = cv2.GaussianBlur(gray, (5, 5), 0) kernel = np.ones((3, 3), np.uint8) cleaned = cv2.morphologyEx(blurred, cv2.MORPH_CLOSE, kernel)
2. 轮廓断裂
- 解决方法：膨胀操作连接边缘。
dilated = cv2.dilate(edges, kernel, iterations=2)
3. 层级结构处理
- 场景：需区分嵌套轮廓（如字母“O”的内外轮廓）。
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # hierarchy结构：[Next, Previous, First_Child, Parent]
五、完整代码示例
import cv2
import numpy as np# 1. 读取图像并预处理
image = cv2.imread('objects.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 2. 检测轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 3. 筛选轮廓（面积 + 形状）
filtered = []
for cnt in contours:area = cv2.contourArea(cnt)if area < 1000:continueapprox = cv2.approxPolyDP(cnt, 0.02*cv2.arcLength(cnt, True), True)if len(approx) == 4: # 筛选四边形x, y, w, h = cv2.boundingRect(cnt)if 0.8 < w/h < 1.2: # 长宽比接近1filtered.append(cnt)# 4. 绘制结果
output = cv2.drawContours(image, filtered, -1, (0, 255, 0), 2)
cv2.imshow('Result', output)
cv2.waitKey(0)
六、应用场景
- 目标检测：识别图像中的特定物体（如文档、工业零件）。
- OCR预处理：定位文本区域。
- 医学图像分析：分割细胞或器官轮廓。
- 机器人导航：识别障碍物边界。
通过灵活组合轮廓特征（面积、形状、凸性等），可以高效筛选出符合需求的轮廓，为后续处理提供基础。