opencv基础学习与实战之轮廓分析与模板匹配（4）

在计算机视觉领域，轮廓检测与分析是目标识别、图像分割的核心技术之一。本文将通过具体案例，结合OpenCV库，详细讲解轮廓的几何特征计算（面积、周长）、轮廓筛选与排序，以及模板匹配的实战应用，帮助你快速掌握这些关键技术。

---

一、轮廓检测基础：从图像到轮廓

1.1 图像预处理

轮廓检测的第一步通常是将图像转换为灰度图并进行二值化处理，以便突出目标轮廓。以下是关键步骤：

import cv2

# 读取原始图像（手机图片示例）
phone = cv2.imread('phone.png')
# 转换为灰度图（减少计算量，保留亮度信息）
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
# 二值化处理（阈值120，大于阈值的像素设为255，否则0）
phone_bin = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)[-1]

• cv2.cvtColor：颜色空间转换函数，COLOR_BGR2GRAY表示将BGR三通道转为单通道灰度图。
• cv2.threshold：二值化函数，THRESH_BINARY模式会根据阈值将像素分为黑白两色。[-1]用于提取二值化后的图像（因threshold返回阈值和结果两个值）。

1.2 轮廓查找

通过cv2.findContours函数提取二值图像中的轮廓。该函数会遍历图像中的连通区域，返回轮廓列表。

# 查找轮廓（RETR_TREE表示树状结构检索所有轮廓，CHAIN_APPROX_NONE保存所有轮廓点）
contours = cv2.findContours(phone_bin, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]

• cv2.findContours：输入二值图像（需为单通道），输出轮廓列表。注意：OpenCV 3/4返回(轮廓, 层级)，因此用[-2]取轮廓列表。
• 参数说明：RETR_TREE表示检索所有轮廓并重建嵌套结构；CHAIN_APPROX_NONE表示存储轮廓的所有顶点坐标。

---

二、轮廓的几何特征分析

轮廓检测后，我们常需要量化其几何特征（如面积、周长），用于筛选或分类目标。以下是两个核心指标的计算方法。

2.1 轮廓面积：cv2.contourArea

轮廓面积表示轮廓所围区域的像素数量，可用于判断轮廓的大小（如区分手机屏幕与小噪点）。

# 计算第0个轮廓的面积（默认返回绝对值）
area_0 = cv2.contourArea(contours[0])
print(f"轮廓0的面积: {
     
     area_0}")

# 计算第1个轮廓的面积
area_1