【1】引言
前序学习进程中，已经使用cv2.findContours()函数+cv2.drawContours()函数实现图像轮廓识别和标注，这种标注沿着图像的轮廓进行，比较细致。相关文章链接为：
python学opencv|读取图像（六十四）使用cv2.findContours()函数+cv2.drawContours()函数实现图像轮廓识别和标注-CSDN博客
如果想用矩形将图像直接框选，就是今天的学习目标： 使用cv2.boundingRect()函数实现图像轮廓矩形标注。
【2】官网教程
点击下方链接，直达cv2.boundingRect()函数官网教程：
OpenCV: Structural Analysis and Shape Descriptors
官网页面对 cv2.boundingRect()函数的解释为：
图1 官网页面对 cv2.boundingRect()函数的解释
其实可以根据字面意思理解，bounding就是边界的意思，rect代表rectangle矩形，所以cv2.boundingRect()函数可以读取举行的边界值。
【3】代码测试
和之前一样，cv2.boundingRect()函数要想用矩形作为标签标注图形的轮廓，需要提前知晓图像的轮廓位置，所以依然要调用 cv2.findContours()函数来找到轮廓。
cv2.boundingRect()函数和cv2.findContours()函数有一个共同点，就是必须要对灰度图像才有效，所以必须提前调用cv2.cvtColor()函数转换灰度图，而为了更进一步突出灰度图，有时候需要调用cv2.threshold()函数进行阈值处理。
如果对上述函数不熟悉，可以通过下述链接回忆：
python学opencv|读取图像（六十四）使用cv2.findContours()函数+cv2.drawContours()函数实现图像轮廓识别和标注-CSDN博客
python学opencv|读取图像（十九）使用cv2.rectangle()绘制矩形_python cv2.rectangle-CSDN博客
python学opencv|读取图像（十一）彩色图像转灰度图的两种办法_识别图像输出灰度图-CSDN博客
按照上述分析的逻辑，代码设置为：引入必要模块和图像，图像灰度处理，图像阈值处理，给灰度图像找边界轮廓，然后是绘制矩形标注。
此处直接给出完整代码：
import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块
# 读取图片
src = cv.imread('df.png') #读取图像srcx.png
gray=cv.cvtColor(src,cv.COLOR_BGR2GRAY) #将图像转化为灰度图
#图像处理
canvas = np.ones((580, 580, 3), np.uint8)*158 # 绘制一个580*580大小的画布，3代表有3个通道，unit8为图像存储格式
t,dst=cv.threshold(gray,10,255,cv.THRESH_BINARY) #阈值处理
con,hierarchy=cv.findContours(dst,cv.RETR_LIST,cv.CHAIN_APPROX_SIMPLE) #读取边界
x,y,w,h=cv.boundingRect(con[0]) #获取第一轮廓的最小矩形边框，记录左上角坐标、宽和高
print('con=',len(con)) #输出con代表的轮廓列表数量
print(src.shape) #输出src图像基本属性
cv.rectangle(src,(x,y),(x+w,y+h),(0,100,255),5) #绘制矩形
#cv.imshow('ini-image ', dst) #显示原始图像
cv.imshow('ini-image-con', src) #显示带轮廓线图像
canvas=cv.rectangle(canvas,(x,y),(x+w,y+h),(0,100,255),5)
cv.imshow('rectangle', canvas) # 在屏幕展示你画线段的效果
#cv.imshow('ini-image-gon', gray) #显示带轮廓线图像
cv.imwrite('ini-image-con.png', src) #保存图像
cv.waitKey() # 图像不关闭
cv.destroyAllWindows() # 释放所有窗口代码运行的相关图像有：
图2 初始图像df.png
图3 加矩形标注图像
由图2和图3可见，图像识别成功，并且画上了矩形标注框。
【4】细节说明
在使用纯黑白图像时，顺利获得了如图2所示的矩形标注效果。
如果图像稍微复杂一些，是否效果依旧显著。
将输出图像换位依旧是黑白为主色调的图像：
图4 新的初始图像
代码运行后的实际效果为：
图5 实际运行效果-标注了一个点
由图5可见，实际运行效果只在人像上标注了一个点。
为此，追溯了原因，看读取的一些基本信息：
图6 基本信息
在控制台，获得了一些基本信息，con代表获得的轮廓数，第二行代表像素和通道。
显然，第二个初始图像读出了2346个轮廓，显然这个数据足够大，具体使用哪个轮廓来绘制矩形很难选择。
然后对于第一个初始图像，代码使用的轮廓为con[0]，如果将其切换为con[1]：
src = cv.imread('df.png') #读取图像srcx.pngx,y,w,h=cv.boundingRect(con[1]) #获取第一轮廓的最小矩形边框，记录左上角坐标、宽和高代码运行后的效果为：
图7 第二个矩形轮廓
由图7可见，如果使用第二个轮廓，绘制的矩形框沿着图像的边缘。
综上，使用cv2.boundingRect()函数对图像轮廓进行矩形标注，图像的颜色单一才会更为准确。
【5】总结
掌握了python+opencv通过使用cv2.boundingRect()函数对图像轮廓进行矩形标注的技巧。
