OpenCV 图像轮廓查找与绘制全攻略：从函数使用到实战应用详解

在这里插入图片描述

摘要：本文详细介绍了 OpenCV 中用于查找图像轮廓的 cv2.findContours() 函数以及绘制轮廓的 cv2.drawContours() 函数的使用方法。涵盖 cv2.findContours() 各参数（如 mode 不同取值对应不同轮廓检索模式）及返回值的详细解析，搭配多幅示例图片与丰富代码示例展示不同模式下的效果差异，同时展示了 cv2.drawContours() 的用法，并通过案例讲解如何利用轮廓绘制功能获取前景对象，助力读者全面掌握图像轮廓相关操作要点及应用场景。
如果您觉得我的文章对您有帮助，可以点赞收藏关注，持续学习更多与OpenCV相关的知识

OpenCV 图像轮廓查找与绘制全攻略：从函数使用到实战应用详解

查找并绘制轮廓
- cv2.findContours()函数的使用
- - 返回值countours的属性
  - 参数mode与返回值hierarchy
- cv2.drawContours（）函数的使用
- - 利用轮廓绘制功能，获取前景对象
致谢

查找并绘制轮廓

边缘检测能检测出边缘，但是边缘不连续，但不是一个整体。OpenCV提供了cv2.findContours()去查找图像轮廓，cv2.drawContours()将轮廓绘制起来。

cv2.findContours()函数的使用

该函数的语法如下：
image与被处理图像一致，contours返回的轮廓，hierarchy 图像的拓普信息（轮廓层次） = cv2.findContours（image原始图像，mode轮廓检索模式，method轮廓的近似方法）
这里有一个补充：当OpenCV版本的大于4.x，返回值没有image
我通过画图板画了一个例子，存储在和代码同一个文件夹下，大家可以复制我的图片，去作为练习,（补充一个重要的前提：OpenCV中，都是从黑色背景中找白色对象，对象是白的，背景是黑的，图片必须是灰度二值图像，对于彩色图像要做好阈值处理）：
在这里插入图片描述
我将这张图片命名为countours.JPG，这是我的文件夹（我用的是 jupyter notebook 大家用pycharm的就把代码和图片放在同一个文件夹下就可以运行我的代码了）：

返回值countours的属性

他的类型是list：

import numpy as np
import cv2
img = cv2.imread("countours.JPG",cv2.IMREAD_GRAYSCALE)
countours , hierarchy = cv2.findContours(img,mode = cv2.RETR_EXTERNAL,method = cv2.CHAIN_APPROX_NONE)
print(type(countours))

在这里插入图片描述
每一条轮廓的shape与内容都用列表的方法访问：
一定要注意必须先用高斯滤波进行平滑处理去除噪声再用二值化阈值处理，才能计算出正确的轮廓

import numpy as np
import cv2
img = cv2.imread("countours.JPG",cv2.IMREAD_GRAYSCALE)# 先用高斯滤波平滑处理
img = cv2.GaussianBlur(img, (5, 5), 0)
# 再用阈值处理转化为二值图像
_,img = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY)
countours , hierarchy = cv2.findContours(img,mode = cv2.RETR_EXTERNAL,method = cv2.CHAIN_APPROX_NONE)
print(len(countours))
for i in range(len(countours)):print(countours[i].shape)print(countours[i])

在这里插入图片描述
通过代码找出来十条轮廓，与我们手动标注的数量一致：

参数mode与返回值hierarchy

我将这张图片命名为mode.JPG，这是我的文件夹（我用的是 jupyter notebook 大家用pycharm的就把代码和图片放在同一个文件夹下就可以运行我的代码了）：
在这里插入图片描述

不同的mode参数对应着不同的hierarchy，分为四种：
第一种：cv2.RETR_EXTERNAL（只检测外轮廓）

import numpy as np
import cv2
img = cv2.imread("mode.JPG",cv2.IMREAD_GRAYSCALE)# 先用高斯滤波平滑处理
img = cv2.GaussianBlur(img, (5, 5), 0)
# 再用阈值处理转化为二值图像
_,img = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY)
countours , hierarchy = cv2.findContours(img,mode = cv2.RETR_EXTERNAL,method = cv2.CHAIN_APPROX_NONE)
print(len(countours))
print(hierarchy)

输出值[1 -1 -1 -1]代表第0个轮廓的后一个轮廓是第一个轮廓，他没有前一个轮廓所以第二个元素是-1 他没有子轮廓和父轮廓所以第三第四个元素都是 - 1
输出值[-1 0 -1 -1]代表第1个轮廓没有后面轮廓了所以是-1 他的前一个轮廓是0，他没有子轮廓和父轮廓所以第三个第四个元素都是 -1
在这里插入图片描述
找到了两条轮廓，原因是cv2.RETR_EXTERNAL会导致只搜索外轮廓：

第二种：cv2.RETR_LIST
检测到的轮廓不考虑父子关系
在上面的代码中修改mode = cv2.RETR_LIST，运行结果如下：

这个结果前两行的第一个元素都是 1 2 说明他们有后一个轮廓，因为没有考虑父子关系，所以每一行的三四元素都是-1 第1 第2 轮廓都有前一个轮廓分别是 0 和1 ，所以第二列是 -1 0 1
第三种：cv2.RETR_CCOMP
检查所有轮廓并组织称一个两级层次结构,修改参数mode = cv2.RETR_CCOMP，继续运行得到如下结果：
在这里插入图片描述
可以看到第1 轮廓和第2 轮廓存在了父子关系：

对于1,2轮廓来说他们是父子关系，所以不存在后一个轮廓所以是-1：

第四种：cv2.RETR_TREE
生成一个等级树，为了验证第四个和第三个的区别，我重新用画图板画了一张图起名为tree.JPG，大家可以复制到自己的文件夹下：
在这里插入图片描述

import numpy as np
import cv2
img = cv2.imread("tree.JPG",cv2.IMREAD_GRAYSCALE)
# 先用高斯滤波平滑处理
img = cv2.GaussianBlur(img, (5, 5), 0)
# 再用阈值处理转化为二值图像
_,img = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY)
countours_comp , hierarchy_comp = cv2.findContours(img,mode = cv2.RETR_CCOMP,method = cv2.CHAIN_APPROX_NONE)
countours_tree , hierarchy_tree = cv2.findContours(img,mode = cv2.RETR_TREE,method = cv2.CHAIN_APPROX_NONE)
print(hierarchy_comp)
print(hierarchy_tree)

详细分析一下，运行结果：
在这里插入图片描述
显而易见的是 cv2.RETR_CCOMP时，最多产生一个两级的父子结构：

但是cv2.RETR_TREE产生了一个多级的父子结构树：

cv2.drawContours（）函数的使用

语法:
cou_image待绘制的轮廓图像 = cv2.drawCountours（image待处理图像，countours需要绘制的轮廓 list类型,countourIdx绘制的边缘索引，color绘制的颜色，thickness绘制轮廓的粗细，lineType画笔类型，hierarchy拓普信息，maxLevel层次的深度，offset偏移参数，使得轮廓偏移多少位置）
使用tree.JPG做案例来用代码验证一下效果：

import numpy as np
import cv2
img = cv2.imread("tree.JPG",cv2.IMREAD_GRAYSCALE)
# 先用高斯滤波平滑处理
img = cv2.GaussianBlur(img, (5, 5), 0)
# 再用阈值处理转化为二值图像
_,img = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY)
countours_tree , hierarchy_tree = cv2.findContours(img,mode = cv2.RETR_TREE,method = cv2.CHAIN_APPROX_NONE)n = len(countours_tree)
contourImg = []
cv2.imshow("orig",img)
for i in range(n):temp = np.zeros(img.shape,np.uint8)contourImg.append(temp)contourImg[i] = cv2.drawContours(contourImg[i],countours_tree,i,(255,255,255),5)cv2.imshow(f"contour[ {i}]",contourImg[i])
cv2.waitKey()
cv2.destroyAllWindows()

在这里插入图片描述

利用轮廓绘制功能，获取前景对象

这部分的案例使用pig.JPG图片，需要的可以直接复制，跟代码放在同一文件夹之下：
在这里插入图片描述
先讲解一下代码的思路，首先转化成灰度值和二值图像，然后获取轮廓，绘制整个轮廓，利用按位与运算与原图像进行按位与运算，提取前景对象。

import numpy as np
import cv2
bgr_img = cv2.imread("pig.JPG")
img = cv2.cvtColor(bgr_img,cv2.COLOR_BGR2GRAY)
# 先用高斯滤波平滑处理
img = cv2.GaussianBlur(img, (5, 5), 0)
# 再用阈值处理转化为二值图像
_,img = cv2.threshold(img, 128, 255, cv2.THRESH_BINARY)
countours_tree , hierarchy_tree = cv2.findContours(img,mode = cv2.RETR_TREE,method = cv2.CHAIN_APPROX_NONE)
mask = np.zeros(bgr_img.shape,np.uint8)
mask = cv2.drawContours(mask,countours_tree,-1,(255,255,255),-1)
loc = cv2.bitwise_and(mask,bgr_img)
cv2.imshow("mask",mask)
cv2.imshow("loc",loc)
cv2.waitKey()
cv2.destroyAllWindows()