OpenCV轮廓近似与Python命令行参数解析

在计算机视觉任务中，轮廓分析是目标检测、形状识别的核心步骤。而approxPolyDP函数作为轮廓简化的关键工具，能有效减少轮廓顶点数量，降低计算复杂度；同时，argparse库则能让Python脚本更灵活、易用。本文将结合具体案例，详细讲解这两个技术的原理与实战应用。

---

一、轮廓近似：cv2.approxPolyDP的核心原理

1.1 为什么需要轮廓近似？

在图像中，物体的轮廓通常由大量离散的像素点组成。直接处理这些点会导致计算量激增（例如绘制或匹配时）。cv2.approxPolyDP通过道格拉斯-普克算法（Douglas-Peucker Algorithm），在保留轮廓形状的前提下，用更少的顶点近似原轮廓，显著提升后续处理效率。

1.2 函数参数详解

函数定义：
approx = cv2.approxPolyDP(curve, epsilon, closed)

参数	含义
curve	输入轮廓（二维点集，通常是findContours输出的轮廓之一）
epsilon	近似精度（核心参数）：允许的最大误差（欧氏距离）。epsilon越小，近似结果越接近原轮廓；越大，顶点越少，轮廓越粗略。
closed	布尔值，表示轮廓是否封闭（如矩形、圆形是封闭的，线段是不封闭的）

1.3 效果演示：不同epsilon的影响

以手机图片的轮廓为例，我们观察不同epsilon值对近似结果的影响：

import cv2
import matplotlib.pyplot as plt

# 读取图像并预处理
phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
_, phone_thresh = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)
contours = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]

# 原始轮廓（第0个轮廓）
original_cnt = contours[0]
print(f"原始轮廓顶点数: {
     
     len(original_cnt)}")  # 输出：原始轮廓顶点数: 123（示例值）

# 不同epsilon值的近似效果
epsilons = [0.001, 0.005, 0.01] * cv2.arcLength(original_cnt, closed=True)
approx_contours = []
for eps in epsilons:
    approx = cv2.approxPolyDP(original_cnt, eps, closed=True)
    approx_contours.append(approx)
    print(f"epsilon={
     
     eps:.2f}时，近似轮廓顶点数: {
     
     len(approx)}")  # 输出顶点数递减

# 绘制对比图
plt.figure(figsize=(15, 10))
plt.subplot(2, 2, 1), plt.imshow(cv2.cvtColor(phone, cv2.COLOR_BGR2RGB))