OpenCV 圖像處理實戰與命令行參數配置：從輪廓檢測到模板匹配

在計算機視覺領域，OpenCV 是一款功能強大且應用廣泛的開源庫，它提供了豐富的 API，支持圖像讀取、預處理、特征檢測等多種操作。本文將結合實際代碼案例，詳細講解如何使用 OpenCV 實現輪廓檢測、輪廓近似、模板匹配等常用功能，同時介紹如何通過argparse模塊配置命令行參數，讓程序更具靈活性和可擴展性。

一、OpenCV 圖像處理核心功能實戰

（一）圖像輪廓檢測與篩選

輪廓是圖像中物體邊界的重要表示，通過檢測輪廓，我們可以獲取物體的形狀、大小等關鍵信息。以下代碼實現了從圖像讀取、預處理到輪廓檢測、篩選與繪制的完整流程。

import cv2# 1. 讀取圖像并進行預處理
phone = cv2.imread('lunkuo.png')  # 替換為你的圖片路徑
# 轉為灰度圖，減少計算量并為后續二值化做準備
gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
# 二值化處理：將灰度圖轉為黑白二值圖，突出物體輪廓
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 2. 檢測輪廓（兼容OpenCV 3.x和4.x版本）
img, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 3. 計算輪廓的面積與周長
# 計算前兩個輪廓的面積
area_0 = cv2.contourArea(contours[0])
print(f"第一個輪廓的面積：{area_0}")
area_1 = cv2.contourArea(contours[1])
print(f"第二個輪廓的面積：{area_1}")
# 計算第一個輪廓的周長（closed=True表示輪廓是閉合的）
length = cv2.arcLength(contours[0], closed=True)
print(f"第一個輪廓的周長：{length}")# 4. 篩選面積大于10000的輪廓（去除小噪聲輪廓）
filtered_contours = []
for contour in contours:if cv2.contourArea(contour) > 10000:filtered_contours.append(contour)
# 繪制篩選后的輪廓（綠色，線寬3）
image_copy = phone.copy()
cv2.drawContours(image=image_copy, contours=filtered_contours,contourIdx=-1, color=(0, 255, 0), thickness=3)
cv2.imshow('Contours_show_10000', image_copy)
cv2.waitKey(0)  # 等待按鍵，按下任意鍵關閉窗口# 5. 找到面積最大的輪廓并繪制（紅色，線寬3）
# 按面積降序排序輪廓
sorted_contours = sorted(contours, key=cv2.contourArea, reverse=True)
largest_contour = sorted_contours[0]
# 繪制最大輪廓
image_copy = phone.copy()
cv2.drawContours(image=image_copy, contours=[largest_contour],contourIdx=-1, color=(0, 0, 255), thickness=3)
cv2.imshow('largest_contour', image_copy)
cv2.waitKey(0)# 6. 為指定輪廓繪制外接圓和外接矩形
cnt = contours[2]  # 選擇第三個輪廓（可根據實際需求調整索引）
# 繪制外接圓（綠色，線寬2）
(x, y), radius = cv2.minEnclosingCircle(cnt)
center = (int(x), int(y))  # 圓心坐標（需轉為整數，圖像像素坐標為整數）
phone_circle = cv2.circle(phone, center, int(radius), (0, 255, 0), 2)
cv2.imshow('phone_circle', phone_circle)
cv2.waitKey(0)
# 繪制外接矩形（綠色，線寬2）
x, y, w, h = cv2.boundingRect(cnt)  # x,y為矩形左上角坐標，w為寬，h為高
phone_rectangle = cv2.rectangle(phone, (x, y), (x + w, y + h), (0, 255, 0), 2)
cv2.imshow('phone_rectangle', phone_rectangle)
cv2.waitKey(0)cv2.destroyAllWindows()  # 關閉所有OpenCV窗口

關鍵知識點解析：

圖像預處理：cvtColor將 BGR 格式（OpenCV 默認讀取格式）轉為灰度圖，threshold通過設定閾值（此處為 127）將灰度圖轉為二值圖，讓輪廓更清晰。
輪廓檢測：findContours函數中，RETR_TREE表示獲取輪廓的層級關系，CHAIN_APPROX_SIMPLE會簡化輪廓，去除冗余點，減少內存占用。
輪廓篩選與排序：通過contourArea計算輪廓面積，結合條件判斷篩選出目標輪廓；sorted函數配合cv2.contourArea可按面積對輪廓排序，輕松找到最大輪廓。

（二）輪廓近似：簡化復雜輪廓

當輪廓邊緣過于復雜（如包含大量細小鋸齒）時，我們可以通過輪廓近似算法，用更少的點表示輪廓，同時保留其整體形狀。以下代碼演示了輪廓近似的實現過程：

import cv2# 1. 讀取圖像并預處理（步驟與上一部分類似）
phone = cv2.imread('lunkuo.png')
gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 2. 檢測輪廓（兼容不同OpenCV版本，取返回值的后兩個元素）
contours = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]# 3. 輪廓近似
# epsilon為近似精度，是輪廓周長的百分比（此處為1%），值越小，近似輪廓越接近原輪廓
epsilon = 0.01 * cv2.arcLength(contours[0], True)
# approxPolyDP函數實現輪廓近似，True表示輪廓閉合
approx = cv2.approxPolyDP(contours[0], epsilon, True)# 4. 對比原輪廓與近似輪廓的形狀（輸出點的數量）
print(f"原輪廓的點數量：{contours[0].shape}")  # 格式為(N, 1, 2)，N為點的數量
print(f"近似輪廓的點數量：{approx.shape}")# 5. 繪制近似輪廓并顯示
phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new, [approx], contourIdx=-1, color=(0, 255, 0), thickness=3)
cv2.imshow('原始圖像', phone)
cv2.waitKey(0)
cv2.imshow('近似輪廓', image_contours)
cv2.waitKey(0)
cv2.destroyAllWindows()

核心原理：輪廓近似基于Douglas-Peucker 算法，通過設定epsilon值控制近似程度。epsilon越小，近似輪廓與原輪廓的差異越小，但點的數量越多；epsilon越大，輪廓越簡化，但可能丟失細節。實際應用中需根據需求調整該參數。

（三）模板匹配：在圖像中查找目標物體

模板匹配是通過滑動模板圖像在待檢測圖像上移動，計算模板與待檢測圖像各區域的相似度，從而找到目標物體位置的技術。以下代碼實現了在 “可樂” 圖像中查找 “瓶蓋” 模板的功能：

import cv2# 1. 讀取待檢測圖像（kele.png）和模板圖像（keke.png）
kele = cv2.imread('kele.png')
keke = cv2.imread('keke.png')# 2. 顯示原始圖像，確認圖像讀取成功
cv2.imshow('可樂圖像', kele)
cv2.imshow('瓶蓋模板', keke)
cv2.waitKey(0)# 3. 獲取模板圖像的高和寬（用于后續繪制矩形）
h, w = keke.shape[:2]  # shape返回(高, 寬, 通道數)，取前兩個元素# 4. 執行模板匹配
# 匹配方法：cv2.TM_CCORR_NORMED（歸一化相關匹配），返回相似度矩陣
res = cv2.matchTemplate(kele, keke, cv2.TM_CCORR_NORMED)# 5. 找到相似度最高的位置（歸一化匹配中，最大值對應最相似區域）
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
top_left = max_loc  # 匹配區域的左上角坐標
bottom_right = (top_left[0] + w, top_left[1] + h)  # 匹配區域的右下角坐標# 6. 在待檢測圖像上繪制矩形框，標記目標位置（綠色，線寬2）
kele_keke = cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0), 2)# 7. 顯示匹配結果
cv2.imshow('模板匹配結果', kele_keke)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意事項：

模板匹配對尺度和旋轉敏感，如果目標物體在待檢測圖像中發生縮放或旋轉，匹配效果會顯著下降，此時需結合尺度不變特征變換（SIFT）、旋轉不變特征變換（SURF）等算法。
匹配方法的選擇：除TM_CCORR_NORMED外，OpenCV 還提供TM_SQDIFF（平方差匹配，最小值為最佳匹配）、TM_CCOEFF（相關系數匹配）等方法，需根據實際場景選擇。

二、用 argparse 配置命令行參數，提升程序靈活性

在實際項目中，我們常需要調整程序參數（如閾值、端口號等），如果每次修改都直接改動代碼，效率較低。argparse是 Python 標準庫中的模塊，可實現命令行參數的解析，讓參數配置更便捷。以下代碼演示了其基本用法：

import argparse# 1. 創建參數解析器對象
parser = argparse.ArgumentParser(description='命令行參數配置示例')  # description為程序描述# 2. 添加命令行參數
# --SERIAL_PORT1：第一個報警器的串口號，字符串類型，默認值為COM5，help為參數說明
parser.add_argument('--SERIAL_PORT1', type=str, default='COM5', help='第一個報警器的串口號')
# --area_thred：物體面積閾值，整數類型，默認值1600
parser.add_argument('--area_thred', type=int, default=1600, help='物體面積的閾值')
# --confid_level：識別置信度，浮點類型，默認值0.8
parser.add_argument('--confid_level', type=float, default=0.8, help='識別的置信度')
# --aaa：自定義整數參數，默認值100（無短選項）
parser.add_argument('--aaa', type=int, default=100)
# -b/--bbb：自定義整數參數，支持短選項（-b）和長選項（--bbb），默認值10
parser.add_argument('-b', '--bbb', type=int, default=10)# 3. 解析命令行參數
opt = parser.parse_args()# 4. 使用解析后的參數
a = opt.aaa
b = opt.bbb
print(f"參數aaa與bbb的和為：{a + b}")

使用方法：

將代碼保存為argparse_demo.py。
在命令行中運行，可直接使用默認參數：
bash
```
python argparse_demo.py
```
輸出：參數aaa與bbb的和為：110
也可在命令行中指定參數值，覆蓋默認值：
bash
```
python argparse_demo.py --aaa 200 -b 50 --SERIAL_PORT1 COM3 --area_thred 2000
```
輸出：參數aaa與bbb的和為：250

優勢：通過argparse，我們無需修改代碼，即可在命令行中靈活調整參數，尤其適合批量運行程序或在服務器環境中使用。