相比C++而言，Python適合做原型。本系列的文章介紹如何在Python中用OpenCV圖形庫，以及與C++調(diào)用相應OpenCV函數(shù)的不同之處。這篇文章介紹在Python中使用OpenCV檢測并繪制輪廓。

提示：

轉(zhuǎn)載請詳細注明原作者及出處，謝謝！

本文介紹在OpenCV-Python中檢測并繪制輪廓的方法。

本文不介詳細的理論知識，讀者可從其他資料中獲取相應的背景知識。筆者推薦清華大學出版社的《圖像處理與計算機視覺算法及應用(第2版)》。

輪廓檢測

輪廓檢測也是圖像處理中經(jīng)常用到的。OpenCV-Python接口中使用cv2.findContours()函數(shù)來查找檢測物體的輪廓。

實現(xiàn)

使用方式如下：

import cv2 
 
img = cv2.imread('D:\\test\\contour.jpg') 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) 
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY) 
 
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) 
cv2.drawContours(img,contours,-1,(0,0,255),3) 
 
cv2.imshow("img", img) 
cv2.waitKey(0) 

需要注意的是cv2.findContours()函數(shù)接受的參數(shù)為二值圖，即黑白的（不是灰度圖），所以讀取的圖像要先轉(zhuǎn)成灰度的，再轉(zhuǎn)成二值圖，參見4、5兩行。第六行是檢測輪廓，第七行是繪制輪廓。

結(jié)果

原圖如下：

檢測結(jié)果如下：

注意，findcontours函數(shù)會“原地”修改輸入的圖像。這一點可通過下面的語句驗證：

cv2.imshow("binary", binary) 
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE) 
cv2.imshow("binary2", binary) 

執(zhí)行這些語句后會發(fā)現(xiàn)原圖被修改了。

cv2.findContours()函數(shù)

函數(shù)的原型為

cv2.findContours(image, mode, method[, contours[, hierarchy[, offset ]]])

返回兩個值：contours：hierarchy。

參數(shù)

第一個參數(shù)是尋找輪廓的圖像；

第二個參數(shù)表示輪廓的檢索模式，有四種（本文介紹的都是新的cv2接口）：
cv2.RETR_EXTERNAL表示只檢測外輪廓
cv2.RETR_LIST檢測的輪廓不建立等級關(guān)系
cv2.RETR_CCOMP建立兩個等級的輪廓，上面的一層為外邊界，里面的一層為內(nèi)孔的邊界信息。如果內(nèi)孔內(nèi)還有一個連通物體，這個物體的邊界也在頂層。
cv2.RETR_TREE建立一個等級樹結(jié)構(gòu)的輪廓。

第三個參數(shù)method為輪廓的近似辦法
cv2.CHAIN_APPROX_NONE存儲所有的輪廓點，相鄰的兩個點的像素位置差不超過1，即max（abs（x1-x2），abs（y2-y1））==1
cv2.CHAIN_APPROX_SIMPLE壓縮水平方向，垂直方向，對角線方向的元素，只保留該方向的終點坐標，例如一個矩形輪廓只需4個點來保存輪廓信息
cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近似算法

返回值

cv2.findContours()函數(shù)返回兩個值，一個是輪廓本身，還有一個是每條輪廓對應的屬性。

contour返回值

cv2.findContours()函數(shù)首先返回一個list，list中每個元素都是圖像中的一個輪廓，用numpy中的ndarray表示。這個概念非常重要。在下面drawContours中會看見。通過

print (type(contours)) 
print (type(contours[0])) 
print (len(contours)) 

可以驗證上述信息。會看到本例中有兩條輪廓，一個是五角星的，一個是矩形的。每個輪廓是一個ndarray，每個ndarray是輪廓上的點的集合。

由于我們知道返回的輪廓有兩個，因此可通過

cv2.drawContours(img,contours,0,(0,0,255),3) 

和

cv2.drawContours(img,contours,1,(0,255,0),3) 

分別繪制兩個輪廓，關(guān)于該參數(shù)可參見下面一節(jié)的內(nèi)容。同時通過

print (len(contours[0])) 
print (len(contours[1])) 

輸出兩個輪廓中存儲的點的個數(shù)，可以看到，第一個輪廓中只有4個元素，這是因為輪廓中并不是存儲輪廓上所有的點，而是只存儲可以用直線描述輪廓的點的個數(shù)，比如一個“正立”的矩形，只需4個頂點就能描述輪廓了。

hierarchy返回值

此外，該函數(shù)還可返回一個可選的hiararchy結(jié)果，這是一個ndarray，其中的元素個數(shù)和輪廓個數(shù)相同，每個輪廓contours[i]對應4個hierarchy元素hierarchy[i][0]~hierarchy[i][3]，分別表示后一個輪廓、前一個輪廓、父輪廓、內(nèi)嵌輪廓的索引編號，如果沒有對應項，則該值為負數(shù)。

通過

print (type(hierarchy)) 
print (hierarchy.ndim) 
print (hierarchy[0].ndim) 
print (hierarchy.shape) 

得到

3 
2 
(1, 2, 4) 

可以看出，hierarchy本身包含兩個ndarray，每個ndarray對應一個輪廓，每個輪廓有四個屬性。

輪廓的繪制

OpenCV中通過cv2.drawContours在圖像上繪制輪廓。

cv2.drawContours()函數(shù)

cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset ]]]]])

第一個參數(shù)是指明在哪幅圖像上繪制輪廓；
第二個參數(shù)是輪廓本身，在Python中是一個list。
第三個參數(shù)指定繪制輪廓list中的哪條輪廓，如果是-1，則繪制其中的所有輪廓。后面的參數(shù)很簡單。其中thickness表明輪廓線的寬度，如果是-1（cv2.FILLED），則為填充模式。繪制參數(shù)將在以后獨立詳細介紹。

補充：

寫著寫著發(fā)現(xiàn)一篇文章介紹不完，所以這里先作為入門的。更多關(guān)于輪廓的信息有機會再開一篇文章介紹。

但有朋友提出計算輪廓的極值點?？捎孟旅娴姆绞接嬎愕玫剑缦?/p>

pentagram = contours[1] #第二條輪廓是五角星 
 
leftmost = tuple(pentagram[:,0][pentagram[:,:,0].argmin()]) 
rightmost = tuple(pentagram[:,0][pentagram[:,:,0].argmin()]) 
 
cv2.circle(img, leftmost, 2, (0,255,0),3)  
cv2.circle(img, rightmost, 2, (0,0,255),3)  

注意！假設(shè)輪廓有100個點，OpenCV返回的ndarray的維數(shù)是(100,1,2)?。。《皇俏覀冋J為的(100,2)。切記！??！人民郵電出版社出版了一本《NumPy攻略：Python科學計算與數(shù)據(jù)分析》，推薦去看一下。

更新：關(guān)于pentagram[:,0]的意思

在numpy的數(shù)組中，用逗號分隔的是軸的索引。舉個例子，假設(shè)有如下的數(shù)組：

a = np.array([[[3,4]], [[1,2]],[[5,7]],[[3,7]],[[1,8]]]) 

其shape是(5, 1, 2)。與我們的輪廓是相同的。那么a[:,0]的結(jié)果就是：

[3,4], [1,2], [5,7], [3,7], [1,8] 

這里a[:,0]的意思就是a[0:5,0]，也就是a[0:5,0:0:2]，這三者是等價的。

回頭看一下，a的shape是(5,1,2)，表明是三個軸的。在numpy的數(shù)組中，軸的索引是通過逗號分隔的。同時冒號索引“:”表示的是該軸的所有元素。因此a[:,0]表示的是第一個軸的所有元素和第二個軸的第一個元素。在這里既等價于a[0:5,0]。

再者，若給出的索引數(shù)少于數(shù)組中總索引數(shù)，則將已給出的索引樹默認按順序指派到軸上。比如a[0:5,0]只給出了兩個軸的索引，則第一個索引就是第一個軸的，第二個索引是第二個軸的，而第三個索引沒有，則默認為[:]，即該軸的所有內(nèi)容。因此a[0:5,0]也等價于a[0:5,0:0:2]。

再詳細一點，a的全體內(nèi)容為：[[[3,4]],[[1,2]],[[5,7]],[[3,7]],[[1,8]]]。去掉第一層方括號，其中有五個元素，每個元素為[[3,4]]這樣的，所以第一個索引的范圍為[0:5]。注意OpenCV函數(shù)返回的多維數(shù)組和常見的numpy數(shù)組的不同之處！

觀察[[3,4]]，我們發(fā)現(xiàn)其中只有一個元素，即[3,4]，第二個索引為[0:1]。

再去掉一層方括號，我們面對的是[3,4]，有兩個元素，所以第三個索引的范圍為[0:2]。

再次強調(diào)一下OpenCVPython接口函數(shù)返回的NumPy數(shù)組和普通的NumPy數(shù)組在組織上的不同之處。

PS：OpenCV-Python討論群——219962286，歡迎大家加入互相探討學習。

得到的結(jié)果為如下：

總結(jié)

以上就是本文關(guān)于OpenCV-Python實現(xiàn)輪廓檢測實例分析的全部內(nèi)容，希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站：

簡單了解OpenCV是個什么東西

python通過opencv實現(xiàn)批量剪切圖片

python+opencv實現(xiàn)的簡單人臉識別代碼示例

如有不足之處，歡迎留言指出。感謝朋友們對本站的支持！

最新評論