OpenCV 从基础到进阶系列之二 -＞轮廓检测,模板匹配,图像平滑(滤波),形态学操作

本文链接：https://blog.youkuaiyun.com/qq_37491737/article/details/147240090

OpenCV 核心功能详解教程（Python版）从基础到进阶第二章

OpenCV是计算机视觉领域的“瑞士军刀”，支持图像/视频处理、特征提取、目标检测等核心功能。
本教程以基础篇和进阶篇 2部分对OpenCV 功能进行详解，结合 Python 代码、参数说明及原理讲解，带你系统掌握OpenCV的核心技能

内容摘要

轮廓检测,模板匹配,图像平滑(滤波),形态学操作

轮廓检测
用途：提取图像中连通区域的轮廓，用于形状分析。
核心函数：
cv2.findContours(image, mode, method):
mode 如 cv2.RETR_TREE
method 如 cv2.CHAIN_APPROX_SIMPLE

检索模式(mode)：

方法名称	用途	参数说明	原理
cv2.RETR_EXTERNAL	只检测最外层轮廓	适用于提取简单物体的外轮廓（如一个独立物体	仅返回没有父轮廓的轮廓（层级结构中的顶层）
cv2.RETR_LIST	检测所有轮廓，不建立层级关系	适用于无需分析轮廓父子关系的场景	所有轮廓存储在列表中，无层级嵌套关系
cv2.RETR_CCOMP	检测所有轮廓，并将轮廓组织为两级结构（外层和内孔）	适用于需要区分物体和外孔的场景（如带孔的零件）	所有轮廓分为两级：顶层是外部轮廓，第二层是内孔轮廓
cv2.RETR_TREE	检测所有轮廓，并建立完整的层级树结构	适用于需要分析轮廓嵌套关系的场景（如嵌套的几何图形）	生成完整的父子层级关系树

近似方法(method)：

方法名称	用途	参数说明	原理
cv2.CHAIN_APPROX_NONE	存储轮廓所有点的坐标	保留完整轮廓细节，适用于需要精确坐标的场景	轮廓点以连续坐标形式存储（内存占用较大）
cv2.CHAIN_APPROX_SIMPLE	压缩水平、垂直和对角线段，仅保留端点	减少轮廓点数量，适用于矩形、多边形等规则形状	删除冗余点，仅保留线段转折点（内存优化）
cv2.CHAIN_APPROX_TC89_L1	使用 Teh-Chin 链逼近算法（L1 范数）	适用于复杂曲线的高效逼近	基于链式近似算法，平衡精度与效率
cv2.CHAIN_APPROX_TC89_KCOS	使用 Teh-Chin 链逼近算法（K-COS 范数）	同上，但使用不同范数计算	同上，但逼近方式略有不同

实际应用场景举例

名称	应用场景
RETR_EXTERNAL	OCR 文字轮廓检测（仅需外框）
RETR_CCOMP	工业零件孔洞检测（区分物体和孔）
RETR_TREE	医学图像中嵌套器官分析
CHAIN_APPROX_SIMPLE	矩形/多边形物体识别（减少计算量）

示例代码:

import cv2
import numpy as np

# 1. 读取图像并二值化
img = cv2.imread('shapes.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 2. 轮廓检测（使用RETR_TREE和CHAIN_APPROX_SIMPLE）
contours, hierarchy = cv2.findContours(
    binary, 
    mode=cv2.RETR_TREE,         # 检索模式：层级树结构
    method=cv2.CHAIN_APPROX_SIMPLE  # 近似方法：压缩冗余点
)

# 3. 绘制轮廓
cv2.drawContours(img, contours, -1, (0, 0, 255), 2)
cv2.imshow('Contours', img)
cv2.waitKey(0)

在这里插入图片描述

模板匹配
用途：在图像中查找模板位置，用于目标定位。
核心函数：
cv2.matchTemplate(image, templ, method):
method 如 cv2.TM_CCOEFF_NORMED。

方法名称	函数名称	数学原理	适用场景
平方差匹配法	cv2.TM_SQDIFF	计算模板与图像区域的平方差，值越小匹配度越高。	适用于模板与图像区域的亮度差异较大的场景，匹配结果越接近0越好
归一化平方差匹配法	cv2.TM_SQDIFF_NORMED	对平方差进行归一化处理，值范围 [0, 1]。	对光照变化鲁棒，适合模板和图像亮度不一致的情况
相关匹配法	cv2.TM_CCORR	计算模板与图像区域的互相关，值越大匹配度越高	对亮度敏感，若图像亮度整体偏高可能导致误匹配。
归一化相关匹配法	cv2.TM_CCORR_NORMED	归一化互相关，值范围 [0, 1]	减少亮度变化的影响，适合光照不均匀但图案相似的情况
相关系数匹配法	cv2.TM_CCOEFF	基于模板和图像的均值计算相关性，值越大匹配度越高。	对模板和图像的亮度变化不敏感，适合复杂背景下的匹配
归一化相关系数匹配法	cv2.TM_CCOEFF_NORMED	归一化相关系数，值范围 [-1, 1]，1表示完全匹配。	最常用方法，对光照、对比度变化鲁棒，适合大多数场景。

示例代码:

import cv2
import numpy as np

# 读取图像和模板
img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
template = cv2.imread('template.jpg', cv2.IMREAD_GRAYSCALE)
h, w = template.shape

# 执行模板匹配（以归一化相关系数法为例）
result = cv2.matchTemplate(img, template, cv2.TM_CCOEFF_NORMED)

# 获取最佳匹配位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(result)
top_left = max_loc  # TM_CCOEFF_NORMED取最大值位置
bottom_right = (top_left[0] + w, top_left[1] + h)

# 绘制矩形框
cv2.rectangle(img, top_left, bottom_right, 255, 2)
cv2.imshow('Match Result', img)
cv2.waitKey(0)

在这里插入图片描述

图像平滑（滤波）
用途：去除噪声，提升图像质量。

方法名称	函数名称	核心参数	数学原理	优点	缺点	适用场景
均值滤波	cv2.blur() 或 cv2.boxFilter()	ksize: 滤波核大小（如 (5,5)）normalize: 是否归一化（仅 boxFilter）	邻域内像素值的算术平均	计算简单、速度快	边缘模糊，噪声抑制能力弱	快速去除轻微噪声，对计算资源要求低
高斯滤波	cv2.GaussianBlur()	ksize: 高斯核大小（正奇数，如 (5,5)）sigmaX: X方向标准差（0表示自动计算）	邻域内像素的高斯加权平均，权重随距离中心点增加而衰减。	保留边缘较好，抗高斯噪声强	计算量较大	图像预处理（如边缘检测前）、高斯噪声去除
中值滤波	cv2.medianBlur()	ksize: 滤波核大小（正奇数，如 5）	邻域内像素值排序后取中值。	有效去除椒盐噪声，保护边缘	对大面积连续噪声效果差	椒盐噪声、脉冲噪声去除（如老旧照片修复）
双边滤波	cv2.bilateralFilter()	d: 邻域直径sigmaColor: 颜色空间标准差sigmaSpace: 坐标空间标准差	结合空间邻近度和像素值相似性的加权平均，保留边缘的同时平滑	保持边缘清晰，去噪效果好	计算速度极慢	高精度图像去噪（如人像美化）、边缘敏感场景
方框滤波	cv2.boxFilter()	ksize: 核大小normalize: 归一化开关（默认True，同均值滤波）	邻域内像素值的和（可归一化为均值滤波）	灵活性高（可控制是否归一化）	非归一化时易导致数值溢出	特殊需求（如积分图计算）、快速均值滤波替代

示例代码

import cv2
import numpy as np

img = cv2.imread('noisy_image.jpg')

# 1. 均值滤波
blur = cv2.blur(img, (5,5))

# 2. 高斯滤波
gaussian = cv2.GaussianBlur(img, (5,5), sigmaX=0)

# 3. 中值滤波
median = cv2.medianBlur(img, 5)

# 4. 双边滤波
bilateral = cv2.bilateralFilter(img, d=9, sigmaColor=75, sigmaSpace=75)

# 5. 方框滤波（未归一化）
box_filter = cv2.boxFilter(img, -1, (5,5), normalize=False)

# 显示结果（示例）
cv2.imshow('Original', img)
cv2.imshow('Mean Blur', blur)
cv2.imshow('Gaussian Blur', gaussian)
cv2.imshow('Median Blur', median)
cv2.imshow('Bilateral Filter', bilateral)
cv2.waitKey(0)

在这里插入图片描述

形态学操作
用途：处理二值图像，用于去噪、连接区域。

方法名称	函数名称	参数说明	原理/作用	适用场景
腐蚀 (Erosion)	cv2.erode(src, kernel, iterations=1)	- kernel: 结构元素（如矩形、椭圆）- iterations: 操作次数	用结构元素扫描图像，取邻域内最小值，消除小物体或细化边缘	去除噪声、分离粘连物体
膨胀 (Dilation)	cv2.dilate(src, kernel, iterations=1)	- kernel: 结构元素- iterations: 操作次数	取邻域内最大值，扩大亮区域，连接断裂部分	填充孔洞、连接相邻区域
开运算 (Opening)	cv2.morphologyEx(src, cv2.MORPH_OPEN, kernel)	- kernel: 结构元素	先腐蚀后膨胀，消除小噪声并保留原形状。	去除亮背景中的暗噪声（如斑点）
闭运算 (Closing)	cv2.morphologyEx(src, cv2.MORPH_CLOSE, kernel)	- kernel: 结构元素	先膨胀后腐蚀，填充孔洞并保留原形状	填充暗区域中的亮孔洞（如指纹断裂
形态学梯度 (Morphological Gradient)	cv2.morphologyEx(src, cv2.MORPH_GRADIENT, kernel)	- kernel: 结构元素	膨胀图与腐蚀图的差值，提取物体边缘	边缘检测、轮廓增强。
顶帽 (Top Hat)	cv2.morphologyEx(src, cv2.MORPH_TOPHAT, kernel)	- kernel: 结构元素	原图与开运算的差值，突出比原图更亮的微小区域。	检测亮背景中的暗细节（如文本增强）
黑帽 (Black Hat)	cv2.morphologyEx(src, cv2.MORPH_BLACKHAT, kernel)	- kernel: 结构元素	闭运算与原图的差值，突出比原图更暗的微小区域。	检测暗背景中的亮细节（如医学图像中的微小病灶）

参数补充说明
结构元素 (kernel)：
可通过 cv2.getStructuringElement(shape, size) 创建，shape 可选：
cv2.MORPH_RECT（矩形）
cv2.MORPH_ELLIPSE（椭圆）
cv2.MORPH_CROSS（十字形）
示例：kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
边界处理：
默认使用 cv2.BORDER_CONSTANT 填充边界，可通过 borderType 参数修改。

示例代码：

import cv2
import numpy as np

# 读取图像并二值化
img = cv2.imread('input.png', cv2.IMREAD_GRAYSCALE)
_, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

# 创建矩形结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))

# 腐蚀
eroded = cv2.erode(binary, kernel, iterations=1)

# 开运算
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)

# 形态学梯度
gradient = cv2.morphologyEx(binary, cv2.MORPH_GRADIENT, kernel)

# 显示结果
cv2.imshow('Original', binary)
cv2.imshow('Erosion', eroded)
cv2.imshow('Opening', opening)
cv2.imshow('Gradient', gradient)
cv2.waitKey(0)