[OpenCV] EP6_轮廓查找与形状分析

关注

原创最新推荐文章于 2026-08-10 14:49:46 发布 1.1k 阅读 AI 写同款· GEO 优化 ›

OpenCV图像细化与骨架提取实战：从原理到工业级应用在计算机视觉与图像处理领域，形态学操作是分析和处理二值图像形状的基础技术。其核心原理是通过结构元素与图像的相互作用，实现区域的膨胀、腐蚀、开闭运算等，从而提取或修改目标的拓扑与几何特征。这项技术的核心价值在于，它能将复杂的、具有宽度的物体区域，转化为单像素宽、保留原始拓扑结构的“骨架”表示，极大地简化了后续的形状分析与特征提取。在工业视觉检测、医学图像分析（如血管网络提取）和文档处理（如OCR字符细化）等场景中，骨架提取是进行精确测量、路径追踪和模式识别的关键预处理步骤。本文聚焦于实现鲁棒的细化算法，针对现阅读详情

Sub.1 绘制图像轮廓

It.1 核心概念 🏖️

1）什么是轮廓？

定义：由连续像素点组成的闭合曲线，反映物体的基本外形特征
本质原理：通过检测像素值突变（边缘）形成的闭合路径
与边缘区别：

特征	轮廓	边缘
连续性	必须闭合且连续	可以是不连续的线段
数据结构	有序点序列（矢量特征）	离散像素点集合（栅格特征）
应用场景	形状分析、目标识别	特征提取、图像分割
关系	由边缘连接形成	构成轮廓的基础元素

2）轮廓的作用？

形状分析：计算面积、周长等几何特征
目标识别：通过形状匹配识别特定物体（如手势识别）
图像分割：提取感兴趣区域（ROI）
工业检测：零件尺寸测量、缺陷检测
医学影像：器官轮廓提取分析

2）轮廓的作用？

形状分析：计算面积、周长等几何特征
目标识别：通过形状匹配识别特定物体（如手势识别）
图像分割：提取感兴趣区域（ROI）
工业检测：零件尺寸测量、缺陷检测
医学影像：器官轮廓提取分析

It.2 寻找轮廓 🏖️

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

# 查找轮廓
contours, hierarchy = cv2.findContours(binary, 
                                       cv2.RETR_EXTERNAL, 
                                       cv2.CHAIN_APPROX_SIMPLE)

1. 参数：（二值化图像，查找方式，存储方式）

（0）image参数：

必须是二值图像
目标区域需为白色（255），背景为黑色（0）

（1）mode参数：轮廓查找方式

模式	特点
RETR_EXTERNAL	只检测最外层轮廓 → 类似描边，最常用
RETR_LIST	检测所有轮廓，不提供父子轮廓索引 → 无层级关系
RETR_CCOMP	所有轮廓，组织为内外层级 → 层级0：外；层级1：内
RETR_TREE	完整层级树结构（父子关系明确）→ 外root，内树枝

（2）method参数：轮廓存储方式

CHAIN_APPROX_NONE ：存储所有轮廓点的坐标。
CHAIN_APPROX_SIMPLE：默认使用！只存储有用的点。
- e.g. 直线只存 2 端点，矩形只存 4 角点
CHAIN_APPROX_TC89_L1：最精确，最复杂，会使用更复杂的算法来存储轮廓点。

2. 返回值：

contours：轮廓点列表
- 示例：contours[0]表示第一条轮廓的所有点坐标
hierarchy：轮廓间的层级关系，仅用于复杂嵌套结构
- 对于第i条轮廓，有四个索引，hierarchy[i][x]
- [Next, Previous, First_Child, Parent]（不存在则为-1）
- 外轮廓：父 → 内轮廓：子

3. 注意点

二值化质量决定成败，建议使用OTSU算法或自适应阈值
原理：遍历每个像素，只要邻域有相反像素，就认为是一个边界点像素
- 所以，预处理推荐使用中值滤波

It.3 绘制轮廓 🏖️

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

# 绘制轮廓
cv2.drawContours(image, contours, -1, (0, 255, 0), 2)

参数
- contourldx** **：要绘制的索引轮廓，默认-1绘制所有
- thickness ：线宽；正数实线；负数填充
返回值：None，在原图上绘制
注意点
- 原图会被修改：建议使用img.copy()保护原始数据
- 彩色绘制：需先将灰度图转BGR格式
- 层级绘制：结合hierarchy参数可实现分层着色

四、代码模式 + 可视化图解

Study Example 🍀

1. 根据提取对象的颜色选择阈值法

import cv2 as cv

"""
绘制图像轮廓
"""
# 读取图像
num = cv.imread("images/num_black.png")
graph = cv.imread("images/graph_white.png")
# 二值化
num_gray = cv.cvtColor(num, cv.COLOR_BGR2GRAY)
graph_gray = cv.cvtColor(graph, cv.COLOR_BGR2GRAY)
# num 是黑色目标白色背景，使用反阈值法
_, num_binary = cv.threshold(num_gray, 0, 255, cv.THRESH_OTSU+cv.THRESH_BINARY_INV)
# graph是白色目标黑色背景，使用阈值法
_, graph_binary = cv.threshold(graph_gray, 0, 255, cv.THRESH_OTSU+cv.THRESH_BINARY)
cv.imshow("num_binary", num_binary)
cv.imshow("graph_binary", graph_binary)

# 查找轮廓：cv.findContours(二值化图像，查找方式，存储方式)
num_contours, num_hierarchy = cv.findContours(num_binary, cv.RETR_LIST, cv.CHAIN_APPROX_SIMPLE)
graph_contours, graph_hierarchy = cv.findContours(graph_binary, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

# 绘制轮廓：cv.drawContours(图像，轮廓，轮廓索引，轮廓颜色，轮廓线宽)
# 拷贝原图，保护数据
num_copy = num.copy()
graph_copy = graph.copy()
# 绘制轮廓
cv.drawContours(num_copy, num_contours, -1, (0,255,0), -1)
cv.drawContours(graph_copy, graph_contours, -1, (255,0,0), 2)


cv.imshow("org_num", num)
cv.imshow("org_graph",graph)
cv.imshow("draw_num", num_copy)
cv.imshow("draw_graph", graph_copy)
cv.waitKey(0)
cv.destroyAllWindows()

输出

2. 假设错误选择了阈值法

import cv2 as cv

# 读图及预处理
img = cv.imread("images/erode.png")
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

_, binary = cv.threshold(gray, 0, 255, cv.THRESH_OTSU+cv.THRESH_BINARY_INV)

# 查找轮廓
contours, hierarchy = cv.findContours(binary, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)

# 绘制轮廓
img_copy = img.copy()
cv.drawContours(img_copy, contours, -1, (0, 255, 0), 2)

# 显示结果
cv.imshow("org", img)
"""
阈值法其实没有正确二值化，但因为 mode=cv.RETR_TREE 所以会将所有轮廓都绘制出来，
"""
cv.imshow("draw", img_copy)
cv.waitKey(0)
cv.destroyAllWindows()

输出：

🌟 总结：

一般流程：二值化 → 查找轮廓 → 轮廓绘制
- 二值化处理的阈值选择非常重要，直接影响结果
绘制前复制原图，避免数据污染
彩色绘制需要将灰度图转换为RGB图像

Sub.2 凸包特征检测

It.1 核心概念 🎋

Pt.1 凸包

1. 什么是凸包？

定义：包含点集所有点的最小凸多边形
数学本质：任意两点连线都在多边形内部

2. 为什么要检测凸包？

应用：物体识别（如区分圆形和方形）、手势识别（检测手势的轮廓）、边界检测（提取物体的外部边界）。
重要性：简化形状，快速计算。
- 凸包能简化物体形状，去除内部细节和凹痕，保留最关键的外围特征，降低计算复杂度，适用于实时检测。

Pt.2 穷举法

遍历所有点对，两两配对连线
检查其他点是否全部位于直线同侧
方法：向量叉积；若结果符号一致（全正或全负），则在直线同侧。
满足条件：属于凸包边

不断for循环，时间复杂度高，实际应用很少用
主要用于理解凸包概念

Pt.3 QuickHull法

1. 原理

找最远点：最左和最右的两个点m和n，形成初始边，分割为上下两包
分治递归：
- 对上包：找离mn最远的点p，pmn区域内的点排除
- 再找离pm、pn最远的点...
合并结果

2. 什么时候用QuickHull来检测凸包？

优点：时间复杂度低（O (n log n)），适合处理大量点，效率远高于穷举法。
缺点：实现较复杂，需理解分治和距离计算。
场景：实际应用中最常用的凸包算法，适用于图像轮廓点较多的场景（如手势识别、物体边界提取）

It.2 实际应用 🎋

Pt.1 获取凸包点

hull = cv2.convexHull(points)

参数：

points：必须是二维点集（N×1×2格式，numpy.ndarray）

返回值：凸包点的坐标数组
注意点：
- 由cv2.findContours返回的contours，需先提取轮廓点，如contour = contours[0]

Pt.2 绘制凸包

使用绘制多边形的方法

1. 绘制多边形

cv2.polylines(img, pts, isClosed, color, thickness=1)
pts : 包含多边形顶点坐标的数组
- 使用时：
  1. 参数是包含特征点的数组
  2. 需要转换为整数，使用** **.astype(np.int32)
  3. 最后，将其封装到列表里
  4. 多个多边形，可以依次放入列表[pts1, pts2, ...]
- 原理
  1. 像素坐标是整数，需要转换类型来保证
  2. 封装到列表：src的shape一般是(n,2) → 代表有n个顶点，2对应(x,y)坐标。
    
    []封装到列表后，就变成了[array(shape=(n, 2))] ，OpenCV会将列表中的这个数组当成一个整体，然后去自动解析为（n,1,2）的数组，进行后续处理。
isClosed：是否封闭图形 → True 则连接首尾顶
color ：可以是三元组 / 四元组 / 整数 → BGR / BGRA / 灰度值

import cv2  
import numpy as np  

# 1. 读取图像并预处理  
image = cv2.imread('hand.jpg')  
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)  
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)  

# 2. 查找轮廓  
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  
contour = contours[0]  # 取第一个轮廓（假设只有一个物体）  

# 3. 计算凸包  
hull = cv2.convexHull(contour)  

# 4. 绘制凸包  
cv2.polylines(image, [hull.astype(np.int32)], isClosed=True, color=(0, 0, 255), thickness=2)  

# 5. 显示结果  
cv2.imshow('Convex Hull', image)  
cv2.waitKey(0)  
cv2.destroyAllWindows()

Sub.3 图像轮廓特征查找

It.1 外接矩形和最小外接矩形 🎍

1. 概念区分

外接矩形（Bounding Rect）：（AABB）
- 轴对齐矩形：通过轮廓点的x_min, x_max, y_min, y_max直接生成。
- 特点：矩形边平行于图像坐标轴。
最小外接矩形（Rotated Rect）：（OBB）
- 旋转矩形：包围轮廓的最小面积矩形。
- 特点：围绕轮廓旋转找到，更贴合目标形状，计算复杂度高。

2. 如何找最小外接矩形？

算法：旋转卡壳法（Rotating Calipers）

核心思想：
- 1. 计算轮廓的凸包（凸多边形）。
- 2. 遍历凸包每条边作为基准边，找到距离最远的点。
- 3. 计算当前边与最远点形成的矩形面积，记录最小值。

3. 实际应用流程 💐

step1 查找轮廓

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

step2 计算最小外接矩形

rect = cv2.minAreaRect(cnt)

step3 转换为角点坐标

box = cv2.boxPoints(rect).astype(int)

step4 绘制

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

Tips - 外接矩形

x, y, w, h = cv2.boundingRect(cnt)

It.2 最小外接圆 🎍

1. 算法原理

数学-理论基础：希尔伯特圆定理

对于平面上的任意三个不在同一直线上的点，存在一个唯一的圆同时通过这三个点，且该圆是最小面积的圆（即包含这三个点的圆中半径最小的圆，也称为最小覆盖圆）。
Welzl 算法：
- 一种随机增量算法，用于计算给定点集的最小包围圆（可能由 2 个点（直径）或 3 个点确定）。
- 递归选择点，逐步构建最小包围圆。
- 若点不在当前圆内，则将该点作为新圆边界点，重新计算

2. 实际应用流程 💐

step1 获取最小外接圆

cv2.minEnclosingCircle(cnt)

step2 绘制

cv2.circle(img, center, radius, color, thickness)

It.3 代码模式 🎍

Study Example 🍀

import cv2
import numpy as np

# 1. 读取图像并预处理
img = cv2.imread("images/tu.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 2. 查找轮廓
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 3. 遍历每个轮廓
for cnt in contours:
    # 外接矩形
    x,y,w,h = cv2.boundingRect(cnt)
    cv2.rectangle(img, (x,y), (x+w,y+h), (255,0,0), 2)
    
    # 最小外接矩形
    # 1. 计算最小外接矩形 -> 得到旋转矩形参数
    rect = cv2.minAreaRect(cnt)
    # 2. 获取角点数组 -> 得到旋转矩形的四个顶点坐标
    box = cv2.boxPoints(rect).astype(int)
    # 3. 绘制最小外接矩形
    cv2.drawContours(img, [box], 0, (0,255,0), 2)
    
    # 最小外接圆
    # 1.计算最小外接圆 -> 得到圆心和半径
    (cx,cy), r = cv2.minEnclosingCircle(cnt)
    # 2. 绘制最小外接圆
    cv2.circle(img, (int(cx),int(cy)), int(r), (0,0,255), 2)

# 显示图像
cv2.imshow('Result', img)
cv2.waitKey(0)
cv2.destroyAllWindows()