輪廓（Contours），指的是有相同顏色或者密度，連接所有連續點的一條曲線。檢測輪廓的工作對形狀分析和物體檢測與識別都非常有用。

在輪廓檢測之前，首先要對圖片進行二值化或者Canny邊緣檢測。在OpenCV中，尋找的物體是白色的，而背景必須是黑色的，因此圖片預處理時必須保證這一點。

---

cv2.findContours函數

Python版示例如下，也可以參考【OpenCV-Python教程（11、輪廓檢測）】【Contours : Getting Started】

contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

1. 完整例子

import cv2#讀入圖片
img = cv2.imread("1.png")# 必須先轉化成灰度圖
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINAEY)# 尋找輪廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 畫出輪廓，-1,表示所有輪廓，畫筆顏色為(0, 255, 0)，即Green，粗細為3
cv2.drawContours(img, contours, -1, (0, 255, 0), 3)# 顯示圖片
cv2.namedWindow("Contours", cv2.NORMAL_WINDOW)
cv2.imshow("Contours", img)# 等待鍵盤輸入
cv2.waitKey(0)
cv2.destroyAllWindows()
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

---

2. 參數解釋

這里的findContours函數，有三個參數

• thresh -> 要尋找輪廓的圖片，注意這里的輪廓會直接改變在thresh上，記得備份
• cv2.RETR_TREE -> 表示輪廓檢索模式（Contour retrieval mode）為，檢索所有的輪廓，且重組為一個有層次的嵌套輪廓。層次信息返回在hierarchy中。
• cv2.CHAIN_APPROX_SIMPLE -> 表示輪廓近似方法（Contour approximation method）。SIMPLE可以這樣理解，假如一個矩形有1000個點，但是現在只用四個角的點表示就行了，即去掉冗余信息。

---

返回值也有兩個，contours?和?hierarchy

對contours的理解如下

print "找到 %d 個輪廓" %(len(contours))
print "第 0 個輪廓有 %d 個點" %(len(contours[0]))# 畫出第0個輪廓
cv2.drawContours(img, contours, 0, (0, 255, 0), 3)
cv2.imshow("first contours", img)# 畫出第1個輪廓
cv2.drawContours(img, contours, 1, (0, 255, 0), 3)
cv2.imshow("second contours", img)# 畫出所有的輪廓
cv2.drawContours(img, contours, -1, (0, 255, 0), 3)
cv2.imshow("all contours", img)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
1
2
3
4
5
6
7
8
9
10
11
12
13
14

對 hierarchy 的深究，可以參考這里：【Contours Hierarchy】

---

輪廓特征（Contour Features）

查找到輪廓以后，我們可以得出輪廓的一些特征信息，也可以在輪廓上做一些簡單的操作，參考Python教程：【Contour Features】

1. 面積和周長示例

# 尋找輪廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 取第 0 個輪廓
cnt = contours[0]# 輪廓面積
area = cv2.contourArea(cnt)# 周長，或者說，弧長；第二個參數的True表示該輪廓是否封閉
perimeter = cv2.arcLength(cnt, True)
1
2
3
4
5
6
7
8
9
10
11
1
2
3
4
5
6
7
8
9
10
11

---

2. 輪廓近似

輪廓近似（Contour Approximation），要理解概念，先來看下面的三張圖。第一張是找到的輪廓；第二張近似的幅度很大，忽略了很多的細節；第三細節多一點.

---

OpenCV中是用 cv2.approxPolyDP()函數來進行輪廓的近似的。見代碼：

# 假設取第30個輪廓為例
cnt = contours[30]# 10%，即0.1的精確度
epsilon = 0.1 * cv2.arcLength(cnt, True)
approx = cv2.approxPolyDP(cnt, epsilon, True)# 這里是第二張，10%的精確度
cv2.imshow("10% approximation", approx)
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9

同理，第三張可以用1%的精確度來得到。

---

3. 計算凸包

涉及凸多面體和凹多面體的概念，不多解釋。如下圖，本來是一個手掌的形狀，現在用最小的凸多面體把它包起來。其中，凸進去（Bulge Inside）的部分，稱為凸包缺陷（Convexity Defects），即箭頭處，即偏導的局部最大值處。

函數調用，以后用到再來細究吧！

hull = cv2.convexHull(cnt)
cv2.imshow("hull", hull)
1
2
1
2

---

4. 矩形邊框

矩形邊框（Bounding Rectangle）是說，用一個最小的矩形，把找到的形狀包起來。還有一個帶旋轉的矩形，面積會更小，效果見下圖

上代碼

# 用綠色(0, 255, 0)來畫出最小的矩形框架
x, y, w, h = cv2.boundingRect(cnt)
cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)# 用紅色表示有旋轉角度的矩形框架
rect = cv2.minAreaRect(cnt)
box = cv2.cv.BoxPoints(rect)
box = np.int0(box)
img = cv2.drawContours(img, [box], 0, (0, 0, 255), 2)
1
2
3
4
5
6
7
8
9
1
2
3
4
5
6
7
8
9

---

PS：其他的形狀，如?封閉的圓形，橢圓，直線?等，例子見這里【Contour Features】，原理差不多，不再贅述。