在計算機視覺（Computer Vision, CV）中，圖像輪廓（Image Contour）是圖像中物體邊界的重要表現形式。它不僅能描述物體的形狀特征，還能為目標識別、目標檢測、圖像分割、場景理解、三維重建等任務提供重要依據。與像素級的邊緣檢測相比，輪廓更強調封閉的邊界、整體性和幾何結構。

基本概念

定義

在圖像處理中，輪廓通常指圖像中前景目標與背景之間的邊界線。它是一個閉合曲線，可以用像素點序列來表示。

• 對于二值圖像，輪廓是前景與背景的交界線。
• 對于灰度圖像，輪廓常通過邊緣檢測或閾值分割得到。

輪廓與邊緣的區別

• 邊緣（Edge）：灰度強度發生顯著變化的位置，可能是不連續的。
• 輪廓（Contour）：物體的完整邊界，更強調閉合性和結構性。

數學表示

若一個二值目標區域記為 R，則其輪廓 C 可表示為：

即邊界點是區域中與背景相鄰的像素點集合。

提取方法

輪廓提取的目標是將圖像中物體的邊界點序列化，形成閉合曲線。

1. 閾值分割 + 輪廓提取

• 先通過全局閾值（如 Otsu 算法）或自適應閾值將圖像轉為二值圖。
• 然后使用輪廓追蹤算法（如 OpenCV findContours）提取邊界。
• 優點：簡單高效，適合對比度清晰的目標。
• 缺點：對噪聲和光照敏感。

2. 邊緣檢測 + 輪廓連接

• 常用邊緣算子：Sobel、Canny、Laplacian。
• 檢測到邊緣后，通過連通域分析、霍夫變換或形態學操作獲得閉合輪廓。
• 適合復雜紋理和低對比度圖像。

3. 形態學方法

• 利用腐蝕（Erode）、膨脹（Dilate）、開運算、閉運算等形態學操作去噪或填洞。
• 提取骨架（Skeletonization）后再追蹤輪廓。
• 常用于噪聲較多的工業檢測任務。

4. 主動輪廓模型（Snake）

• 通過能量函數（包含圖像梯度約束和曲線光滑性約束）使輪廓曲線自動收縮到物體邊界。
• 優點：輪廓連續性好，可處理復雜目標。
• 缺點：依賴初始輪廓位置，計算復雜。

5. 基于深度學習的方法

• 使用語義分割（如 U-Net、Mask R-CNN）獲得物體區域，再提取輪廓。
• 優點：魯棒性強，適應復雜場景。
• 缺點：需要大量訓練數據。

輪廓的表示與特征

提取到輪廓后，需要對其進行表示和特征化，便于后續處理。

1. 邊界鏈碼（Chain Code）

• 以起點為基準，用 4 鄰域或 8 鄰域的方向序列描述輪廓。
• 優點：存儲緊湊。
• 缺點：不平移不變。

2. 多邊形逼近

• 用折線逼近復雜輪廓，例如 Douglas-Peucker 算法。
• 常用于簡化輪廓，提高計算效率。

3. 矩（Moments）

• 幾何矩：描述面積、質心。
• Hu 不變矩：在旋轉、縮放、平移下保持不變，適合形狀識別。

4. 傅里葉描述子

• 將輪廓點序列看作復數序列，做傅里葉變換。
• 低頻分量表示整體形狀，高頻分量表示細節。
• 可用于形狀匹配。

5. 曲率與角點

• 曲率較大的點通常對應物體的特征角點。
• 在目標識別和姿態估計中很重要。

OpenCV中的輪廓查找

核心函數

cv2.findContours()函數

查找輪廓。

contours, hierarchy = cv2.findContours(image, mode, method)

參數解析：

• image: 輸入的二值圖像。注意： 此函數會修改輸入圖像，通常建議傳入一個副本。
• mode: 輪廓檢索模式，決定了如何組織輪廓的層級關系。
  • cv2.RETR_EXTERNAL: 只檢索最外層的輪廓。
  • cv2.RETR_LIST: 檢索所有輪廓，但不建立任何層級關系。
  • cv2.RETR_CCOMP: 檢索所有輪廓，并將它們組織成兩級層次結構（外部輪廓和孔洞）。
  • cv2.RETR_TREE: 檢索所有輪廓，并建立完整的輪廓層次結構樹。
• method: 輪廓近似方法，決定如何存儲輪廓點。
  • cv2.CHAIN_APPROX_NONE: 存儲輪廓上所有的點。
  • cv2.CHAIN_APPROX_SIMPLE: 只存儲輪廓的端點，例如，一個矩形只存儲四個角點。

返回值：

• contours: 找到的所有輪廓的列表。每個輪廓都是一個 NumPy 數組，包含了該輪廓的所有點。
• hierarchy: 一個可選的層級信息數組。它告訴我們每個輪廓的父輪廓、子輪廓、上一個輪廓和下一個輪廓。

cv2.drawContours()函數

在圖像上繪制找到的輪廓。

cv2.drawContours(image, contours, contourIdx, color, thickness)

參數解析：

• image: 要在上面繪制輪廓的圖像。
• contours: 輪廓列表，通常是 cv2.findContours() 的返回值。
• contourIdx: 輪廓的索引，指定繪制哪個輪廓。如果要繪制所有輪廓，傳入 -1。
• color: 輪廓的顏色，以 (B, G, R) 元組形式表示。
• thickness: 輪廓線的粗細。如果傳入 -1 或 cv2.FILLED，則輪廓內部會被填充。

示例

查找并繪制圖像中的輪廓

import cv2
import numpy as np# 1. 讀取圖像并轉換為灰度圖
image = cv2.imread('shape.png') 
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 2. 圖像閾值化
# 將圖像轉換為二值圖像，大于127的像素變為255，否則變為0
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)# 3. 查找輪廓
# 檢索所有輪廓，并使用簡單的近似方法
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)# 4. 在原圖上繪制輪廓
# 繪制所有輪廓，顏色為綠色，粗細為2
output_image = image.copy()
cv2.drawContours(output_image, contours, -1, (0, 255, 0), 2)# 5. 顯示結果
cv2.imshow('Original Image', image)
cv2.imshow('Binary Image', thresh)
cv2.imshow('Contours', output_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

執行效果：

形狀分析與測量

通過計算輪廓的面積、周長等屬性來了解物體的基本幾何信息。

import cv2
import numpy as np# 1. 創建一個二值圖像
img = np.zeros((300, 300), dtype=np.uint8)
# 畫一個圓，填充它
cv2.circle(img, (150, 150), 80, 255, -1)# 2. 查找輪廓
contours, _ = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 獲取第一個也是唯一的輪廓
cnt = contours[0]# 3. 計算輪廓屬性
area = cv2.contourArea(cnt)
perimeter = cv2.arcLength(cnt, True) # True 表示輪廓是閉合的#print(f"輪廓面積: {area}")
#print(f"輪廓周長: {perimeter}")# 4. 繪制輪廓的邊界框和最小外接圓
x, y, w, h = cv2.boundingRect(cnt)
cv2.rectangle(img, (x, y), (x + w, y + h), (100), 2)(center_x, center_y), radius = cv2.minEnclosingCircle(cnt)
center = (int(center_x), int(center_y))
radius = int(radius)
cv2.circle(img, center, radius, (100), 2)cv2.imshow("Shape Analysis", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

執行效果：

形狀匹配

形狀匹配用于比較兩個輪廓的相似度。這在物體識別、缺陷檢測等任務中非常有用。cv2.matchShapes 函數是實現這一功能的關鍵。

import cv2
import numpy as np# 1. 定義兩個形狀（輪廓）
# 第一個形狀：矩形
rect = np.zeros((200, 200), dtype=np.uint8)
cv2.rectangle(rect, (50, 50), (150, 150), 255, -1)
contours1, _ = cv2.findContours(rect, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 第二個形狀：旋轉的矩形
rotated_rect = np.zeros((200, 200), dtype=np.uint8)
M = cv2.getRotationMatrix2D((100, 100), 45, 1) # 旋轉45度
rotated_rect = cv2.warpAffine(rect, M, (200, 200))
contours2, _ = cv2.findContours(rotated_rect, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)# 2. 匹配兩個形狀
# cv2.CONTOURS_MATCH_I1 是一個常用的方法
match_score = cv2.matchShapes(contours1[0], contours2[0], cv2.CONTOURS_MATCH_I1, 0)print(f"result: {match_score}")
# 分數越低，兩個形狀越相似。理想情況下，完全相同的形狀得分為0。
# 即使形狀經過旋轉、縮放或平移，matchShapes函數也能很好地工作。cv2.imshow("Original", rect)
cv2.imshow("Rotated", rotated_rect)
cv2.waitKey(0)
cv2.destroyAllWindows()

執行結果：

基于輪廓的圖像分割與對象提取

找到輪廓后，可以用它來創建一個掩模（Mask），以精確地從原始圖像中提取出物體。

import cv2
import numpy as np# 1. 讀取彩色圖像
image = cv2.imread('object.jpg')# 2. 轉到 HSV 顏色空間
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)# 3. 定義顏色范圍（這里以綠色圓為例）
lower_green = np.array([40, 50, 50])
upper_green = np.array([80, 255, 255])# 4. 生成掩模
mask = cv2.inRange(hsv, lower_green, upper_green)# 5. 提取物體
extracted_object = cv2.bitwise_and(image, image, mask=mask)# 6. 顯示
cv2.imshow("Original", image)
cv2.imshow("Mask", mask)
cv2.imshow("Extracted Object", extracted_object)
cv2.waitKey(0)
cv2.destroyAllWindows()

執行效果：

輪廓近似與多邊形擬合

輪廓可能包含成千上萬個點，為了簡化形狀并減少計算量，可以使用多邊形擬合。

import cv2
import numpy as np# 1. 創建一個形狀（這里是一個圓，但可以用于任何復雜的形狀）
img = np.zeros((300, 300), dtype=np.uint8)
cv2.circle(img, (150, 150), 100, 255, -1)# 2. 查找輪廓
contours, _ = cv2.findContours(img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) # 使用CHAIN_APPROX_NONE來獲取所有點
original_contour = contours[0]# 3. 輪廓近似
# 參數 epsilon 決定了近似的精度，值越小，近似越接近原始輪廓
epsilon = 0.04 * cv2.arcLength(original_contour, True)
approx_contour = cv2.approxPolyDP(original_contour, epsilon, True)# 4. 繪制原始輪廓和近似后的輪廓
# 原始輪廓（紅色）
original_img = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
cv2.drawContours(original_img, [original_contour], -1, (0, 0, 255), 2)# 近似輪廓（綠色）
approx_img = np.zeros_like(original_img)
cv2.drawContours(approx_img, [approx_contour], -1, (0, 255, 0), 2)
cv2.imshow("Original vs. Approximated", np.hstack([original_img, approx_img]))
cv2.waitKey(0)
cv2.destroyAllWindows()

執行效果：