什么是图像轮廓？

图像轮廓是指图像中物体边缘的连续性曲线。在计算机视觉和图像处理中，轮廓通常被用于检测物体、分割图像以及提取物体特征。

图像轮廓是由一系列连续的像素点组成，这些像素点位于物体边界上。轮廓的特点是在物体和背景之间的边界位置，因此可以用来表示物体的形状和结构。轮廓可以是闭合的，也可以是开放的，具体取决于物体的形状。

图像轮廓的应用场景？

图像轮廓在许多应用场景中都发挥着重要作用，下面列举了一些常见的应用场景：

目标检测与识别： 图像轮廓可以用于检测和定位图像中的物体。通过检测物体的轮廓，可以识别出图像中的不同物体并进行分类。

图像分割： 轮廓可以用来分割图像中的不同区域或物体。通过提取物体的轮廓，可以将图像分成多个不同的部分，方便进一步分析和处理。

医学图像分析： 在医学图像中，轮廓可以用来标记器官、病变或细胞等结构。这对于诊断和治疗决策具有重要意义。

工业自动化： 在工业自动化中，轮廓可以用于检测产品的缺陷、测量尺寸和定位部件，从而实现自动化生产和质量控制。

机器人视觉： 机器人可以利用图像轮廓来感知环境和物体，从而实现自主导航、抓取物体等任务。

计算机辅助设计（CAD）： 在CAD领域，图像轮廓可以用于从实际物体中获取几何信息，以便在计算机上进行建模和设计。

虚拟现实与增强现实： 图像轮廓可以用来实时跟踪物体，将虚拟对象与实际场景进行交互，从而创建更加逼真的虚拟现实或增强现实体验。

图像重建与三维建模： 利用物体的轮廓可以进行图像的重建和三维建模，从而生成立体的物体模型。

边缘检测虽然能够检测出边缘，但边缘是不连续的，检测到的边缘并不是一个整体。图像轮廓是指将边缘连接起来形成的一个整体，用于后续的计算。
OpenCV 提供了查找图像轮廓的函数 cv2.findContours()，该函数能够查找图像内的轮廓信息，而函数 cv2.drawContours()能够将轮廓绘制出来。
图像轮廓是图像中非常重要的一个特征信息，通过对图像轮廓的操作，我们能够获取目标图像的大小、位置、方向等信息。

查找图像轮廓：findContours函数

函数 cv2.findContours()的语法格式为：

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

式中的返回值为：

• image：与函数参数中的原始图像 image 一致。
• contours：返回的轮廓。
• hierarchy：图像的拓扑信息（轮廓层次）。

式中的参数为：

• image：原始图像。8 位单通道图像，所有非零值被处理为 1，所有零值保持不变。也就是说灰度图像会被自动处理为二值图像。在实际操作时，可以根据需要，预先使用阈值处理等函数将待查找轮廓的图像处理为二值图像。
• mode：轮廓检索模式。
• method：轮廓的近似方法。

函数 cv2.findContours()的返回值及参数的含义比较丰富，下面对上述返回值和参数逐一做出说明。

1. 返回值image
该返回值与参数 image 是一致的，就是原始输入图像。在 OpenCV 4.X 中，该返回值已经被取消。在 OpenCV 4.X 中，函数 cv2.findContours()仅有两个返回值，其语法格式为：

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

2. 返回值contours
该返回值返回的是一组轮廓信息，每个轮廓都是由若干个点所构成的。例如，contours[i] 是第 i 个轮廓（下标从 0 开始），contours[i][j]是第 i 个轮廓内的第 j 个点。

图 12-1 所示为提取的轮廓示例，函数 cv2.findContours()提取出左图的 3 个轮廓，每一个轮廓都是由若干个像素点构成的。

下面针对图 12-1 来简单介绍一下 contours 的基本属性。

（1）type 属性
返回值 contours 的 type 属性是 list 类型，list 的每个元素都是图像的一个轮廓，用 Numpy中的 ndarray 结构表示。
例如，使用如下语句获取轮廓 contours 的类型：

print (type(contours))

结果为<class ‘list’>。

使用如下语句获取轮廓 contours 中每个元素的类型：

print (type(contours[0]))

结果为<class ‘numpy.ndarray’>。

（2）轮廓的个数
使用如下语句可以获取轮廓的个数：

print (len(contours))

结果为“3”，表示在图 12-1 中，存在 3 个轮廓。

（3）每个轮廓的点数

每一个轮廓都是由若干个像素点构成的，点的个数不固定，具体个数取决于轮廓的形状。
例如，使用如下语句，可以获取每个轮廓内点的个数：

print (len(contours[0])) #打印第 0 个轮廓的长度（点的个数）：4
print (len(contours[1])) #打印第 1 个轮廓的长度（点的个数）：60
print (len(contours[2])) #打印第 2 个轮廓的长度（点的个数）：184

（4）轮廓内的点
使用如下语句，可以获取轮廓内第 0 个轮廓中具体点的位置属性：

print (contours[0]) #打印第 0 个轮廓中的像素点

contours[0]对应着图 12-1 中右图左下角矩形轮廓的点，输出结果如下：

[[[ 79 270]]
[[ 79 383]]
[[195 383]]
[[195 270]]]

3. 返回值hierarchy
   图像内的轮廓可能位于不同的位置。比如，一个轮廓在另一个轮廓的内部。在这种情况下，
   我们将外部的轮廓称为父轮廓，内部的轮廓称为子轮廓。按照上述关系分类，一幅图像中所有轮廓之间就建立了父子关系。

根据轮廓之间的关系，就能够确定一个轮廓与其他轮廓是如何连接的。比如，确定一个轮廓是某个轮廓的子轮廓，或者是某个轮廓的父轮廓。上述关系被称为层次（组织结构），返回值 hierarchy 就包含上述层次关系。
每个轮廓 contours[i]对应 4 个元素来说明当前轮廓的层次关系。其形式为：

[Next，Previous，First_Child，Parent]

式中各元素的含义为：

• Next：后一个轮廓的索引编号。

• Previous：前一个轮廓的索引编号。

• First_Child：第 1 个子轮廓的索引编号。

• Parent：父轮廓的索引编号。

如果上述各个参数所对应的关系为空时，也就是没有对应的关系时，则将该参数所对应的值设为“-1”。
使用 print 语句可以查看 hierarchy 的值：

print(hierarchy)

需要注意，轮廓的层次结构是由参数 mode 决定的。也就是说，使用不同的 mode，得到轮廓的编号是不一样的，得到的 hierarchy 也不一样。

4. 参数image
   该参数表示输入的图像，必须是 8 位单通道二值图像。一般情况下，都是将图像处理为二值图像后，再将其作为 image 参数使用的。

5. 参数mode
   参数 mode 决定了轮廓的提取方式，具体有如下 4 种：

• cv2.RETR_EXTERNAL：只检测外轮廓。
• cv2.RETR_LIST：对检测到的轮廓不建立等级关系。
• cv2.RETR_CCOMP：检索所有轮廓并将它们组织成两级层次结构。上面的一层为外边界，下面的一层为内孔的边界。如果内孔内还有一个连通物体，那么这个物体的边界仍
  然位于顶层。
• cv2.RETR_TREE：建立一个等级树结构的轮廓。

下面分别对这四种情况进行简单的说明。

（1）cv2.RETR_EXTERNAL（只检测外轮廓）

例如，在图 12-2 中仅检测到两个外轮廓，轮廓的序号如图中的数字标注所示。

使用 print 语句可以查看 hierarchy 的值：

print(hierarchy) [[[ 1 -1 -1 -1] [-1 0 -1 -1]]]

其中：

• 输出值“[ 1 -1 -1 -1]”，表示的是第 0 个轮廓的层次。
• 它（即第 0 个轮廓）的后一个轮廓就是第 1 个轮廓，因此第 1 个元素的值是“1”。
• 它的前一个轮廓不存在，因此第 2 个元素的值是“-1”。
• 它不存在子轮廓，因此第 3 个元素的值是“-1”。
• 它不存在父轮廓，因此第 4 个元素的值是“-1”。
• 输出值“[-1 0 -1 -1]”，表示的是第 1 个轮廓的层次。
• 它（即第 1 个轮廓）的后一个轮廓是不存在的，因此第 1 个元素的值是“-1”。
• 它的前一个轮廓是第 0 个轮廓，因此第 2 个元素的值是“0”。
• 它不存在子轮廓，因此第 3 个元素的值是“-1”。
• 它不存在父轮廓，因此第 4 个元素的值是“-1”。
  此时，轮廓之间的关系为：

（2）cv2.RETR_LIST（对检测到的轮廓不建立等级关系）

例如，在图 12-3 中检测到三个轮廓，各个轮廓的序号如图中数字的标注所示。

使用 print 语句，可以查看 hierarchy 的值：

print(hierarchy) [[[ 1 -1 -1 -1] [ 2 0 -1 -1] [-1 1 -1 -1]]]

其中：

• 输出值“[ 1 -1 -1 -1]”，表示的是第 0 个轮廓的层次。

• 它（即第 0 个轮廓）的后一个轮廓是第 1 个轮廓，因此第 1 个元素的值是“1”。

• 它的前一个轮廓不存在，因此第 2 个元素的值是“-1”。

• 它不存在子轮廓，因此第 3 个元素的值是“-1”。

• 它不存在父轮廓，因此第 4 个元素的值是“-1”。

• 输出值“[2 0 -1 -1]”，表示的是第 1 个轮廓的层次。

• 它（即第 1 个轮廓）的后一个轮廓是第 2 个轮廓，因此第 1 个元素的值是“2”。

• 它的前一个轮廓是第 0 个轮廓，因此第 2 个元素的值是“0”。

• 它不存在子轮廓，因此第 3 个元素的值是“-1”。

• 它不存在父轮廓，因此第 4 个元素的值是“-1”。

• 输出值“[-1 1 -1 -1]”，表示的是第 2 个轮廓的层次。

• 它（即第 2 个轮廓）的后一个轮廓是不存在的，因此第 1 个元素的值是“-1”。

• 它的前一个轮廓是第 1 个轮廓，因此第 2 个元素的值是“1”。

• 它不存在子轮廓，因此第 3 个元素的值是“-1”。

• 它不存在父轮廓，因此第 4 个元素的值是“-1”。
  从上述分析可以看出，当参数 mode 为 cv2.RETR_LIST 时，各个轮廓之间没有建立父子关系。

此时，轮廓之间的关系为：

（3）cv2.RETR_CCOMP（建立两个等级的轮廓）

当参数 mode 为 cv2.RETR_CCOMP 时，建立两个等级的轮廓。上面的一层为外边界，下面的一层为内孔边界。

例如，在图 12-4 中检测到三个轮廓，各轮廓的序号如图中数字的标注所示。

使用 print 语句可以查看 hierarchy 的值：

print(hierarchy)

[[[ 1 -1 -1 -1]
 [-1 0 2 -1]
 [-1 -1 -1 1]]]

其中：

• 输出值“[ 1 -1 -1 -1]”，表示的是第 0 个轮廓的层次。
  它（即第 0 个轮廓）的后一个轮廓是第 1 个轮廓，因此第 1 个元素的值是“1”。
  它的前一个轮廓不存在，因此第 2 个元素的值是“-1”。
  它不存在子轮廓，因此第 3 个元素的值是“-1”。
  它不存在父轮廓，因此第 4 个元素的值是“-1”。

• 输出值“[-1 0 2 -1]”，表示的是第 1 个轮廓的层次。
  它（即第 1 个轮廓）的后一个轮廓不存在，因此第 1 个元素的值是“-1”。
  它的前一个轮廓是第 0 个轮廓，因此第 2 个元素的值是“0”。
  它的第 1 个子轮廓是第 2 个轮廓，因此第 3 个元素的值是“2”。
  它不存在父轮廓，因此第 4 个元素的值是“-1”。

• 值“[-1 -1 -1 1]”，表示的是第 2 个轮廓的层次。
  它（即第 2 个轮廓）的后一个轮廓不存在，因此第 1 个元素的值是“-1”。
  它的前一个轮廓也不存在，因此第 2 个元素的值是“-1”。
  它不存在子轮廓，因此第 3 个元素的值是“-1”。
  它的父轮廓是第 1 个轮廓，因此第 4 个元素的值是“1”。
  此时，轮廓关系为：

（4）cv2.RETR_TREE（建立一个等级树结构的轮廓）

例如，在图 12-5 中检测到三个轮廓，各个轮廓的序号如图中的数字标注所示。

使用 print 语句可以查看 hierarchy 的值：

print(hierarchy)

[[[ 1 -1 -1 -1]
 [-1 0 2 -1]
 [-1 -1 -1 1]]]

其中：

• 输出值“[ 1 -1 -1 -1]”，表示的是第 0 个轮廓的层次。
  它（即第 0 个轮廓）的后一个轮廓是第 1 个轮廓，因此第 1 个元素的值为“1”。
  它的前一个轮廓不存在，因此第 2 个元素的值是“-1”。
  它不存在子轮廓，因此第 3 个元素的值是“-1”。
  它不存在父轮廓，因此第 4 个元素的值是“-1”。

• 输出值“[-1 0 2 -1]”，表示的是第 1 个轮廓的层次。
  它（即第 1 个轮廓）的后一个轮廓不存在，因此第 1 个元素的值是“-1”。
  它的前一个轮廓是第 0 个轮廓，因此第 2 个元素的值是“0”。
  它的第 1 个子轮廓是第 2 个轮廓，因此第 3 个元素的值是“2”。
  它的父轮廓不存在，因此第 4 个元素的值是“-1”。

• 输出值“[-1 -1 -1 1]”，表示的是第 2 个轮廓的层次。
  它（即第 2 个轮廓）的后一个轮廓不存在，因此第 1 个元素的值是“-1”。
  它的前一个轮廓是不存在的，因此第 2 个元素的值是“-1”。
  它的子轮廓是不存在的，因此第 3 个元素的值是“-1”。
  它的父轮廓是第 1 个轮廓，因此第 1 个元素的值是“1

此时，轮廓之间的关系为：

需要注意，本例中仅有两层轮廓，所以使用参数 cv2.RETR_CCOMP 和 cv2.RETR_TREE 得到的层次结构是一致的。当有多层轮廓时，使用参数 cv2.RETR_CCOMP 也会得到仅有两层的层次结构；而使用参数 cv2.RETR_TREE 会得到含有多个层次的结构。

6. 参数method
参数 method 决定了如何表达轮廓，可以为如下值：

• cv2.CHAIN_APPROX_NONE：存储所有的轮廓点，相邻两个点的像素位置差不超过 1，即 max(abs(x1-x2)，abs(y2-y1))=1。
• cv2.CHAIN_APPROX_SIMPLE：压缩水平方向、垂直方向、对角线方向的元素，只保留该方向的终点坐标。例如，在极端的情况下，一个矩形只需要用 4 个点来保存轮廓信息。
• cv2.CHAIN_APPROX_TC89_L1：使用 teh-Chinl chain 近似算法的一种风格。
• cv2.CHAIN_APPROX_TC89_KCOS：使用 teh-Chinl chain 近似算法的一种风格。

例如，在图 12-6 中，左图是使用参数值 cv2.CHAIN_APPROX_NONE 存储的轮廓，保存了轮廓中的每一个点；右图是使用参数值 cv2.CHAIN_APPROX_SIMPLE 存储的轮廓，仅仅保存了边界上的四个点。

在使用函数 cv2.findContours()查找图像轮廓时，需要注意以下问题：

• 待处理的源图像必须是灰度二值图。因此，在通常情况下，都要预先对图像进行阈值分
  割或者边缘检测处理，得到满意的二值图像后再将其作为参数使用。
• 在 OpenCV 中，都是从黑色背景中查找白色对象。因此，对象必须是白色的，背景必须
  是黑色的。
• 在 OpenCV 4.x 中，函数 cv2.findContours()仅有两个返回值。

代码示例：

import cv2
o = cv2.imread('lena.png')
cv2.imshow("original",o)
gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
#
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
image,contours, hierarchy = cv2.findContours(binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

print("contours=\n",contours)
print("hierarchy=\n",hierarchy)

运行这段代码后会发现报错，因为我用的是opencv4.5 版本。

报错

提示这个在 OpenCV 4.x 中，函数 cv2.findContours()仅有两个返回值

新代码如下：

import cv2
o = cv2.imread('contours.bmp')

gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)
#
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)
contours, hierarchy = cv2.findContours(binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)

print("hierarchy=\n",hierarchy)

运行结果如下：

hierarchy=
 [[[ 1 -1 -1 -1]
  [ 2  0 -1 -1]
  [-1  1 -1 -1]]]

原图：

可套用前面讲解值得含义去分析一下结果，如：

输出值“[ 1 -1 -1 -1]”，表示的是第 0 个轮廓的层次。
它（即第 0 个轮廓）的后一个轮廓是第 1 个轮廓，因此第 1 个元素的值为“1”。
它的前一个轮廓不存在，因此第 2 个元素的值是“-1”。
它不存在子轮廓，因此第 3 个元素的值是“-1”。
它不存在父轮廓，因此第 4 个元素的值是“-1”。

试着去理解
[ 2 0 -1 -1]
[-1 1 -1 -1]