OpenCV-Python 轮廓检测

### OpenCV-Python 轮廓检测教程 轮廓检测是计算机视觉领域的重要技术之一，广泛应用于对象检测、边缘检测以及形状分析等领域。以下是基于 OpenCV-Python 的轮廓检测示例代码及其说明。 #### 示例代码 以下是一个完整的 Python 代码示例，展示如何使用 `cv2.findContours()` 和 `cv2.drawContours()` 函数进行轮廓检测并将其绘制在图像上： ```python import cv2 import numpy as np # 加载原始图像 image = cv2.imread('example.jpg') # 将图像转换为灰度图 gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 使用高斯模糊减少噪声（可选） blurred_image = cv2.GaussianBlur(gray_image, (5, 5), 0) # 应用 Canny 边缘检测算法生成二值化图像 edges = cv2.Canny(blurred_image, threshold1=30, threshold2=100) # 查找轮廓 contours, hierarchy = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 创建一个新的空白图像用于绘制轮廓 blank_image = np.zeros_like(image) # 绘制轮廓 cv2.drawContours(blank_image, contours, -1, (0, 255, 0), 2) # 显示结果 cv2.imshow('Original Image', image) cv2.imshow('Edges', edges) cv2.imshow('Detected Contours', blank_image) # 等待按键关闭窗口 cv2.waitKey(0) cv2.destroyAllWindows() ``` --- #### 代码解释 1. **加载图像**: 首先通过 `cv2.imread()` 方法加载输入图像。 2. **灰度转换**: 使用 `cv2.cvtColor()` 将彩色图像转换为灰度图像[^1]。 3. **降噪处理**: 可选地应用高斯滤波器 (`cv2.GaussianBlur`) 来平滑图像，从而降低噪声的影响。 4. **边缘检测**: 利用 Canny 边缘检测算法 (`cv2.Canny`) 获取二值化的边缘图像[^5]。 5. **查找轮廓**: 借助 `cv2.findContours` 函数提取图像中的轮廓信息[^4]。 6. **绘制轮廓**: 使用 `cv2.drawContours` 将找到的轮廓绘制到新创建的空白图像上[^2]。 7. **显示结果**: 最终通过 `cv2.imshow` 展示原图、边缘图和检测后的轮廓图。 --- #### 关键点解析 - **参数设置**: - `cv2.RETR_EXTERNAL`: 表示只检索最外层的轮廓。 - `cv2.CHAIN_APPROX_SIMPLE`: 对轮廓进行压缩，仅保留端点坐标。 - **颜色空间转换**: 如果需要将 BGR 图像转换为 RGB 格式以便于其他库（如 Matplotlib）使用，则可以通过 NumPy 实现快速的颜色通道反转：`img_RGB = img_BGRA[:, :, ::-1]`[^3]。 - **注意事项**: - 输入给 `cv2.findContours` 的图像必须是二值图形式，因此需提前完成灰度化与阈值分割操作。 ---