图像的轮廓检测，如计算多边形外界、形状毕竟、计算感兴趣区域等。
Contours : Getting Started
轮廓
简单地解释为连接所有连续点（沿着边界）的曲线，具有相同的颜色或强度.
轮廓是形状分析和物体检测和识别的有用工具
NOTE
- 为获得更好的准确性，请使用二值图，在找到轮廓之前，应用阈值法或canny边缘检测
-
从OpenCV 3.2开始，
findContours（）不再修改源图像，而是将修改后的图像作为三个返回参数中的第一个返回 - 在OpenCV中，查找轮廓是从黑色背景中查找白色对象
findContours(image, mode, method[, contours[, hierarchy[, offset]]])
- image：原图像
- mode：轮廓检索模式
- method：轮廓近似方法
输出为： 修改后的图像，轮廓，层次结构
轮廓是所有轮廓的列表.每个单独的轮廓是对象边界点的坐标.
| 轮廓检索模式 | 含义 |
| cv2.RETR_EXTERNAL | 只检测外轮廓 |
| cv2.RETR_LIST | 提取所有轮廓并将其放入列表,不建立等级关系 |
| cv2.RETR_CCOMP | 建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层 |
| cv2.RETR_TREE | 建立一个等级树结构的轮廓 |
| 轮廓逼近方法 | 含义 |
| cv2.CHAIN_APPROX_NONE | 存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1 |
| cv2.CHAIN_APPROX_SIMPLE | 压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息 |
| cv2.CHAIN_APPROX_TC89_L1 或 cv2.CHAIN_APPROX_TC89_KCOS | 应用Teh-Chin链近似算法 |
代码：
import cv2
import numpy as np
img = cv2.imread('img.jpg')
imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 127, 255, 0)
im2, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
绘制轮廓
cv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]])
- image：原图像
- contours：作为Python列表传递的轮廓
- contourIdx：轮廓索引（在绘制单个轮廓时很有用。绘制所有轮廓，传递-1）
要绘制图像中的所有轮廓：
cv.drawContours（img，contours，-1，（0,255,0），3）
要绘制单个轮廓，比如第4个轮廓：
cv.drawContours（img，contours，3，（0,255,0），3）
但大多数情况下，绘制第4个轮廓，以下方法将非常有用：
cnt = contours[4]
cv.drawContours（img，[cnt]，0，（0,255,0），3）
代码：
import cv2
import numpy as np
img = cv2.imread('img7.png')
imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 127, 255, 0)
im2, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnt = contours[0]
cv2.drawContours(img,[cnt],0,(0,255,0),3)
cv2.imshow('src',img)
cv2.waitKey()
以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。
