😶?🌫?😶?🌫?😶?🌫?😶?🌫?Take your time ! 😶?🌫?😶?🌫?😶?🌫?😶?🌫?
💥個人主頁：🔥🔥🔥大魔王🔥🔥🔥
💥所屬專欄：🔥魔王的修煉之路–Computer vision🔥
如果你覺得這篇文章對你有幫助，請在文章結尾處留下你的點贊👍和關注💖，支持一下博主。同時記得收藏?這篇文章，方便以后重新閱讀。

檢測輪廓

import cv2
import numpy as npcv2.namedWindow("win", cv2.WINDOW_NORMAL)# 自己創建圖像
# # (y,x)
# img = np.zeros((480, 640, 3), np.uint8)# # 繪制一個長方形（x,y）
# cv2.rectangle(img, (100, 50), (500, 400), (255, 255, 255), 2) # 這需要是白色，因為在灰度圖轉為二值圖時，閾值的影響。
# # 具體原因：彩色圖轉為灰度圖后，灰度圖對應的數字低于閾值，在轉的時候就跟著黑色背景也變為了黑色，所以就檢測不到輪廓了。
# # 二值化的閾值要小于灰度圖里你想保留的區域的灰度值，否則就變成背景，輪廓自然找不到。# 讀取圖像
img = cv2.imread("../images/3.jpg")print(img.shape) # 形狀# 彩色圖轉為灰度圖（單通道）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化（只能從灰度圖轉過來）
# 參數：灰度圖（單通道）；閾值；最大值（即高于閾值設置為多少）；閾值處理類型
# 返回值：實際使用的閾值（一般就是你輸入的閾值）；二值圖
# 單詞意思：threshold，閾值。
ret, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY) #  + cv2.THRESH_OTSU# 查找輪廓（一般都轉換成灰度圖查找）：普通繪制輪廓、多邊形逼近、凸包，都必須在查找輪廓后進行！
# 參數：二值圖；怎么查找輪廓（即下標順序以及是否查找內部輪廓）；表示怎么記錄輪廓，當前的是只記錄關鍵點
# 返回值：輪廓（點的集合）；層級關系
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 打印輪廓（點集）
# print(contours)# 繪制輪廓
# 參數：原圖（因為輪廓已經有了，不用二值圖了，也不能繪制在二值圖）；輪廓；繪制哪個輪廓（-1 全部繪制）；顏色；粗細（-1 填充外部空間）
cv2.drawContours(img, contours, -1, (0, 0, 255), 3) # 第二個參數需要是多個輪廓的列表，正好 findContours() 返回的就是# # 繪制最大輪廓，因為很亂
# # 找到最大輪廓
# max_contour = max(contours, key=cv2.contourArea)
# # 繪制最大輪廓
# cv2.drawContours(img, [max_contour], -1, (0, 0, 255), 2)# 計算面積
area = cv2.contourArea(contours[0])
print(type(area))
print(f"area = {area}")# 計算周長
# 參數：計算哪個輪廓周長；是否計算首尾相連的長度
len = cv2.arcLength(contours[0], True)
print(len)# 多邊形逼近：一次只能處理一個輪廓
# 參數：通常取1%~5% 周長
e = 20 # 精度 
approx = cv2.approxPolyDP(contours[0], e, True) # 返回的是一個輪廓逼近后的數據
# cv2.drawContours(img, [approx], -1, (0, 0, 255)) # 第二個參數需要是多個輪廓的列表# 凸包：一次只能處理一個輪廓
hull = cv2.convexHull(contours[0])# 返回的是一個輪廓逼近后的數據
cv2.drawContours(img, [approx], -1, (0, 0, 255)) # 第二個參數需要是多個輪廓的列表cv2.imshow("win", img)key = cv2.waitKey(0)
if key & 0xff == ord('q'):cv2.destroyAllWindows()

numpy 創建矩陣與數組

將彩色圖轉換為灰度圖，是為了簡化通道；二值化，是為了突出目標和背景；這樣才能穩定高效地提取輪廓。

目標	用途	推薦函數（不絕對，看你怎么給結構）	示例
創建圖像矩陣	用作圖像（黑、白、灰背景）	np.zeros / ones / full（np.uint8）	np.zeros((H, W, 3), np.uint8)
創建點集數組	用于輪廓、多邊形坐標	np.array([...], np.int32)	np.array([(x1,y1), (x2,y2), ...])
返回的數據類型	都是	np.ndarray（NumPy數組）	可直接傳給 OpenCV 繪圖/處理函數

三種圖像的區別及轉換

步驟	數據形式	通道數	優點	用途
彩色圖像	[B, G, R]	3	色彩豐富	原始圖、顯示用
灰度圖像	[0~255]	1	亮度信息，降維	邊緣檢測、二值化前處理
二值圖像	0或255	1	背景/前景分明，適合分析形狀	查找輪廓、區域分析
輪廓數據	一組點坐標	N/A	表示物體邊界（如矩形、曲線）	識別目標、標注框、形狀分析等

操作	OpenCV 函數
彩色 → 灰度	cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
灰度 → 二值	cv2.threshold()
邊緣檢測（可選）	cv2.Canny()
輪廓查找	cv2.findContours()
繪制輪廓	cv2.drawContours()

() 與 [] 應用

[] 是列表：可變的、常用的點集、數組等：

[1, 2, 3]                          # Python 列表
[(100, 100), (200, 200)]          # 點集（列表嵌套元組）
np.array([[1,2], [3,4]])          # 用列表構造數組（array 一般用于點集，數組即圖片用 zeros\ones\full等）

() 是元組：不可變，很多坐標點（以及 shape）就是元組

(100, 200)                        # 一個點的坐標（x, y）
(200, 200, 3)                     # 圖像的 shape

?? 注意：在 Python 中 (x, y) 和 [x, y] 都能表示坐標，但 元組更常見更推薦。

---

數組索引/切片 → []

數組訪問用 []，絕不能用 ()：

img[0, 0]                 # 訪問圖像的第一個像素（BGR 值）
gray[100:200, 50:100]     # 切片區域
pts[0]                    # 第一個點

---

典型例子對比

場景	示例代碼	說明
? 調用函數	cv2.threshold(..., ...)	函數調用，傳入參數 → 用小括號 ()
? 創建數組	np.zeros((200, 200, 3), np.uint8)	函數里再傳個元組 (H, W, C) → ()
? 創建點集	pts = np.array([(x1, y1), (x2, y2)], np.int32)	列表 [] 里嵌套元組 ()
? 數組索引	img[100, 50]	圖像訪問，用方括號 []

總結口訣：

🔹 函數要調用，用 ()
🔹 列表元素，用 []
🔹 點的坐標，用 ()（元組更常見）
🔹 數組取值，也用 []

• 博主長期更新，博主的目標是不斷提升閱讀體驗和內容質量，如果你喜歡博主的文章，請點個贊或者關注博主支持一波，我會更加努力的為你呈現精彩的內容。

🌈專欄推薦
😈魔王的修煉之路–C語言
😈魔王的修煉之路–數據結構
😈魔王的修煉之路–C++
😈魔王的修煉之路–QT
😈魔王的修煉之路–算法
😈魔王的修煉之路–力扣
😈魔王的修煉之路–牛客
😈魔王的修煉之路–劍指offer
😈魔王的修煉之路–Linux
😈魔王的修煉之路–Computer vision
更新不易，希望得到友友的三連支持一波。收藏這篇文章，意味著你將永久擁有它，無論何時何地，都可以立即找到重新閱讀；關注博主，意味著無論何時何地，博主將永久和你一起學習進步，為你帶來有價值的內容。