目錄

一、輪廓檢測基礎概念

二、核心 API 詳解：cv2.findContours ()

參數說明：

返回值說明：

三、輪廓檢測實戰步驟

1. 圖像預處理（灰度化與二值化）

2. 查找輪廓

3. 繪制輪廓

四、輪廓的常用屬性與操作

1. 輪廓面積與周長

2. 輪廓篩選與排序

3. 輪廓的外接形狀

4. 輪廓近似

五、總結

---

在計算機視覺領域，輪廓檢測是一項基礎且重要的技術，它能夠幫助我們識別圖像中的物體邊界，為后續的圖像分析、目標識別等任務提供關鍵信息。本文將基于 OpenCV 庫，詳細介紹輪廓檢測的原理、常用 API 及實戰應用。

---

一、輪廓檢測基礎概念

輪廓可以理解為圖像中具有相同顏色或灰度的連續點組成的曲線，它是物體邊界的有效表達方式。在進行輪廓檢測前，有一個重要的前提：需要將圖片處理為二值圖像（像素值只為 0 和 255），這是因為輪廓檢測主要基于圖像的邊緣信息，二值化處理能簡化后續的檢測過程。

---

二、核心 API 詳解：cv2.findContours ()

OpenCV 提供了?cv2.findContours()?函數用于檢測圖像輪廓，其語法格式如下：

參數說明：

1. img：需要進行輪廓檢測的輸入圖像（必須是二值圖像）

2. mode：輪廓的檢索模式，常用的有以下四種：

   • cv2.RETR_EXTERNAL：只檢測外輪廓，忽略所有子輪廓
   • cv2.RETR_LIST：檢測所有輪廓，但不建立等級關系
   • cv2.RETR_CCOMP：返回所有輪廓，僅建立兩級層次結構（外輪廓為第 1 級，內部中空輪廓為第 2 級）
   • cv2.RETR_TREE：返回所有輪廓，建立完整的層級組織結構

3. method：輪廓的近似方法：

   • cv2.CHAIN_APPROX_NONE：存儲所有的輪廓點
   • cv2.CHAIN_APPROX_SIMPLE：壓縮模式，只保留輪廓方向的終點坐標（如矩形僅保留 4 個頂點）

返回值說明：

• image：處理后的圖像（與輸入圖像相關）
• contours：包含所有輪廓的列表，每個輪廓是由邊界點坐標 (x,y) 組成的 numpy 數組
• hierarchy：輪廓的層次結構，每個元素是包含 4 個值的數組?[Next, Previous, First Child, Parent]，分別表示：
  • Next：同一層級的下一條輪廓
  • Previous：同一層級的上一條輪廓
  • First Child：當前輪廓的第一條子輪廓
  • Parent：當前輪廓的父輪廓

注意：在新版 OpenCV（如 4.x 版本）中，該函數返回值為 (contours, hierarchy)，可使用?contours = cv2.findContours(...)[-2]?兼容不同版本。

---

三、輪廓檢測實戰步驟

1. 圖像預處理（灰度化與二值化）

輪廓檢測前必須進行預處理，將彩色圖像轉為灰度圖，再進一步轉為二值圖：

import cv2# 讀取原圖
phone = cv2.imread('phone.png')
# 轉為灰度圖
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
# 二值化處理（閾值 120，最大值 255，二值化方式）
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)# 顯示處理結果
cv2.imshow('phone_gray', phone_gray)
cv2.imshow('phone_binary', phone_binary)
cv2.waitKey(0)

2. 查找輪廓

使用?cv2.findContours()?函數檢測輪廓：

# 查找輪廓（建立完整層級，壓縮輪廓點）
_, contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 打印輪廓信息
print("輪廓層次結構：", hierarchy)
print("輪廓數量：", len(contours))

輪廓層次結構： [[[ 6 -1  1 -1][ 2 -1 -1  0][ 3  1 -1  0][ 4  2 -1  0][ 5  3 -1  0][-1  4 -1  0][ 7  0 -1 -1][ 8  6 -1 -1][-1  7 -1 -1]]]
輪廓數量： 9

3. 繪制輪廓

通過?cv2.drawContours()?函數可以將檢測到的輪廓繪制在圖像上：

# 函數語法
# cv2.drawContours(image, contours, contourIdx, color, thickness)# 復制原圖避免修改原圖
image_copy = phone.copy()
# 繪制所有輪廓（contourIdx=-1），綠色(0,255,0)，線寬 2
cv2.drawContours(image_copy, contours, -1, (0,255,0), 2)
cv2.imshow('contours_result', image_copy)
cv2.waitKey(0)

---

四、輪廓的常用屬性與操作

1. 輪廓面積與周長

• 輪廓面積：使用?cv2.contourArea()?計算
• 輪廓周長：使用?cv2.arcLength()?計算（參數?closed=True?表示閉合輪廓）

# 計算第一個輪廓的面積
area_0 = cv2.contourArea(contours[0])
print("第一個輪廓的面積：", area_0)# 計算第一個輪廓的周長
length = cv2.arcLength(contours[0], closed=True)
print("第一個輪廓的周長：", length)

第一個輪廓的面積： 50716.5
第一個輪廓的周長： 952.4377244710922

2. 輪廓篩選與排序

可以根據輪廓面積等屬性篩選特定輪廓，或對輪廓進行排序：

# 篩選面積大于 10000 的輪廓
large_contours = []
for cnt in contours:if cv2.contourArea(cnt) > 10000:large_contours.append(cnt)# 繪制篩選后的輪廓
image_copy = phone.copy()
cv2.drawContours(image_copy, large_contours, -1, (0,255,0), 3)
cv2.imshow('contours_larger_10000', image_copy)
cv2.waitKey(0)# 按面積降序排序，取最大面積的輪廓
largest_cnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]
image_copy = phone.copy()
cv2.drawContours(image_copy, [largest_cnt], -1, (0,255,0), 3)
cv2.imshow('largest_contour', image_copy)
cv2.waitKey(0)

3. 輪廓的外接形狀

可以計算輪廓的外接圓和最小外接矩形：

# 以外接圓為例（選取第三個輪廓）
cnt = contours[2]
# 計算外接圓
(x, y), r = cv2.minEnclosingCircle(cnt)
# 繪制外接圓
phone_circle = cv2.circle(phone, (int(x), int(y)), int(r), (0,255,0), 2)
cv2.imshow('contour_circle', phone_circle)
cv2.waitKey(0)# 計算最小外接矩形
x, y, w, h = cv2.boundingRect(cnt)
# 繪制矩形
phone_rect = cv2.rectangle(phone, (x, y), (x+w, y+h), (0,255,0), 2)
cv2.imshow('contour_rectangle', phone_rect)
cv2.waitKey(0)

4. 輪廓近似

使用?cv2.approxPolyDP()?函數可以對輪廓進行近似處理，簡化輪廓形狀：

# 函數語法
# approx = cv2.approxPolyDP(curve, epsilon, closed)# 計算近似精度（取輪廓周長的 0.01 倍）
epsilon = 0.01 * cv2.arcLength(contours[0], True)
# 對第一個輪廓進行近似
approx = cv2.approxPolyDP(contours[0], epsilon, True)# 對比原始輪廓與近似輪廓的點數量
print("原始輪廓點數量：", contours[0].shape[0])
print("近似輪廓點數量：", approx.shape[0])# 繪制近似輪廓
phone_new = phone.copy()
cv2.drawContours(phone_new, [approx], -1, (0,255,0), 3)
cv2.imshow('contour_approx', phone_new)
cv2.waitKey(0)

原始輪廓點數量： 235
近似輪廓點數量： 8

其中，epsilon?參數決定了近似精度：值越小，近似結果越接近原始輪廓；值越大，輪廓越簡化。

---

五、總結

本文詳細介紹了 OpenCV 中輪廓檢測的核心技術，包括輪廓檢測的預處理步驟、cv2.findContours()?函數的使用、輪廓繪制方法以及輪廓的各種屬性計算與操作（面積、周長、篩選、排序、外接形狀、輪廓近似等）。

輪廓檢測在目標識別、圖像分割、物體測量等領域有著廣泛的應用，掌握這些基礎操作是進行更復雜計算機視覺任務的前提。實際應用中，需要根據具體場景選擇合適的輪廓檢索模式和近似方法，以達到最佳的檢測效果。