# 人工智能之视觉领域 计算机视觉

第九章 图像轮廓检测


---

# 前言：图像轮廓检测

> **学习目标**：掌握从图像中提取物体轮廓的完整流程，能使用 OpenCV 查找、绘制、分析轮廓，并应用于物体计数、形状识别等实际任务。

---

## 1. 通俗理解：什么是“轮廓”？

想象你有一张黑白图：

- 白色是**背景**
- 黑色是**物体**

> ✅ **轮廓 = 物体边界的闭合曲线**
> 它是一组连续的点，围成一个封闭区域，代表了物体的“外框”。

在计算机视觉中，轮廓是**形状分析、目标识别、物体计数**的基础。

---

## 2. 轮廓检测的核心前提：二值图像

OpenCV 的 `cv2.findContours()` **只能处理二值图像（黑白图）**！

> 🔁 **标准流程**：
> 彩色图 → 灰度图 → 二值化 → 轮廓检测

为什么？

- 轮廓是“前景 vs 背景”的边界
- 二值图只有 0（黑）和 255（白），边界清晰

---

## 3. 核心函数详解

### 3.1 查找轮廓：`cv2.findContours()`

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

| 参数 | 说明 |
|------|------|
| `image` | **二值图像**（必须是单通道 uint8） |
| `mode` | 轮廓检索模式（见下表） |
| `method` | 轮廓近似方法（见下表） |

#### 📋 常用 `mode`（检索模式）：

| 模式 | 作用 |
|------|------|
| `cv2.RETR_EXTERNAL` | **只检测最外层轮廓**（忽略内部孔洞）→ 推荐初学者用 |
| `cv2.RETR_TREE` | 检测所有轮廓，并重建完整的层级结构（父子关系） |
| `cv2.RETR_LIST` | 检测所有轮廓，但不建立层级 |

#### 📋 常用 `method`（近似方法）：

| 方法 | 作用 |
|------|------|
| `cv2.CHAIN_APPROX_NONE` | 保存所有边界点（数据量大） |
| `cv2.CHAIN_APPROX_SIMPLE` | **压缩水平/垂直/对角线段**，只保留端点（推荐！） |

> 💡 示例：一个矩形有 4 个角点
> 
> - `NONE` 会存几百个点（每条边所有像素）
> - `SIMPLE` 只存 4 个点！

---

### 3.2 绘制轮廓：`cv2.drawContours()`

```python
cv2.drawContours(image, contours, contourIdx, color, thickness)
```

| 参数 | 说明 |
|------|------|
| `image` | 要绘制的图像（会被修改！建议复制一份） |
| `contours` | `findContours` 返回的轮廓列表 |
| `contourIdx` | 绘制哪个轮廓？`-1` = 全部，`0` = 第一个，`1` = 第二个… |
| `color` | 颜色（BGR格式，如 `(0, 255, 0)` 绿色） |
| `thickness` | 线宽（`-1` = 填充轮廓内部） |

---

## 4. 轮廓分析：面积、周长、边界框

OpenCV 提供丰富函数分析每个轮廓：

| 功能 | 函数 | 说明 |
|------|------|------|
| **轮廓面积** | `cv2.contourArea(cnt)` | 单位：像素² |
| **轮廓周长** | `cv2.arcLength(cnt, closed=True)` | closed 必须为 True |
| **边界矩形** | `cv2.boundingRect(cnt)` | 返回 `(x, y, w, h)` |
| **最小外接圆** | `cv2.minEnclosingCircle(cnt)` | 返回 `(center, radius)` |
| **拟合多边形** | `cv2.approxPolyDP(cnt, epsilon, True)` | 用于形状识别 |

---

## 5. 完整工作流程（Mermaid 图）

```mermaid
graph TD
    A[原始彩色图像] --> B["转灰度 cv2.cvtColor"]
    B --> C["二值化 cv2.threshold / adaptiveThreshold"]
    C --> D["可选：形态学去噪 morphologyEx"]
    D --> E["查找轮廓 cv2.findContours"]
    E --> F{"分析需求?"}
    F -->|"绘制"| G["drawContours"]
    F -->|"计数"| H["len(contours)"]
    F -->|形状识别| I[计算面积/周长/多边形近似]
    G --> J[显示或保存结果]
    H --> J
    I --> J
```

---

## 6. 配套代码实战

### 示例 1：基础轮廓检测与绘制

```python
import cv2
import numpy as np

# 1. 读取图像
img = cv2.imread('shapes.jpg')
if img is None:
    # 创建测试图像
    img = np.zeros((400, 600, 3), dtype=np.uint8)
    cv2.rectangle(img, (50, 50), (150, 150), (255, 255, 255), -1)
    cv2.circle(img, (300, 100), 50, (255, 255, 255), -1)
    cv2.ellipse(img, (500, 100), (60, 30), 0, 0, 360, (255, 255, 255), -1)

# 2. 转灰度 + 二值化
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

# 3. 查找轮廓（只取最外层）
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 4. 绘制轮廓（复制原图避免修改）
result = img.copy()
cv2.drawContours(result, contours, -1, (0, 255, 0), 2)  # 绿色，线宽2

# 5. 显示
cv2.imshow('Original', img)
cv2.imshow('Contours', result)
print(f"✅ 检测到 {len(contours)} 个轮廓")
cv2.waitKey(0)
cv2.destroyAllWindows()
```

---

### 示例 2：物体计数 + 形状识别

```python
import cv2
import math

def recognize_shape(approx):
    """根据近似多边形顶点数判断形状"""
    num_vertices = len(approx)
    if num_vertices == 3:
        return "Triangle"
    elif num_vertices == 4:
        # 判断是否为矩形（检查角度）
        return "Rectangle"
    elif num_vertices > 10:
        return "Circle"
    else:
        return "Polygon"

# 读取图像（建议用 coins.jpg 或 shapes.jpg 测试）
img = cv2.imread('coins.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 高斯模糊 + 二值化（OTSU 自动阈值）
blurred = cv2.GaussianBlur(gray, (5, 5), 0)
_, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 形态学闭运算：连接硬币边缘
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5))
binary = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)

# 查找轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 分析每个轮廓
result = img.copy()
for i, cnt in enumerate(contours):
    area = cv2.contourArea(cnt)
    if area < 100:  # 过滤小噪点
        continue
    
    # 计算周长
    perimeter = cv2.arcLength(cnt, True)
    
    # 多边形近似（epsilon = 周长的 2%）
    epsilon = 0.02 * perimeter
    approx = cv2.approxPolyDP(cnt, epsilon, True)
    
    # 识别形状
    shape = recognize_shape(approx)
    
    # 获取边界框
    x, y, w, h = cv2.boundingRect(cnt)
    
    # 绘制结果
    cv2.drawContours(result, [cnt], -1, (0, 255, 0), 2)
    cv2.putText(result, f"{shape} #{i+1}", (x, y-10),
                cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 255, 0), 2)

# 显示
cv2.imshow('Object Counting & Shape Recognition', result)
print(f"✅ 共检测到 {len([c for c in contours if cv2.contourArea(c) > 100])} 个有效物体")
cv2.waitKey(0)
cv2.destroyAllWindows()
```

---

## 7. 应用场景详解

### 🎯 场景1：硬币计数

- 步骤：二值化 → 闭运算（连接边缘）→ 轮廓检测 → 过滤小面积 → 计数
- 关键：用 `RETR_EXTERNAL` 避免检测硬币内部反光孔洞

### 🎯 场景2：文档扫描中的表格/文字框检测

- 步骤：边缘检测（Canny）→ 膨胀连接 → 轮廓检测 → 筛选矩形区域

### 🎯 场景3：工业零件质检

- 步骤：模板匹配定位 → 轮廓提取 → 比较面积/周长是否在公差范围内

---

## 8. 常见问题与技巧

### ❓ 问题1：轮廓太多，包含噪点？

✅ **解决**：

- 二值化前加高斯模糊
- 形态学开运算去噪
- 用 `contourArea()` 过滤小面积轮廓

### ❓ 问题2：轮廓不闭合？

✅ **解决**：

- 二值化时尝试 `THRESH_OTSU`
- 用闭运算（`MORPH_CLOSE`）填充断裂

### ❓ 问题3：如何只检测特定大小的物体？

✅ **解决**：

```python
valid_contours = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    if 500 < area < 5000:  # 设定面积范围
        valid_contours.append(cnt)
```

---

## ✅ 本章总结

| 步骤 | 关键操作 | 函数 |
|------|--------|------|
| **预处理** | 灰度 → 二值化 → 去噪 | `cvtColor`, `threshold`, `morphologyEx` |
| **找轮廓** | 提取边界 | `cv2.findContours(mode=RETR_EXTERNAL, method=CHAIN_APPROX_SIMPLE)` |
| **绘轮廓** | 可视化结果 | `cv2.drawContours(..., -1, color, thickness)` |
| **分析** | 面积、周长、形状 | `contourArea`, `arcLength`, `approxPolyDP` |

> 🌟 **现在可以**：
> 
> - 数出一张图里有多少个硬币
> - 识别图中的三角形、矩形、圆形
> - 为后续的“目标跟踪”或“OCR 区域定位”提供精准 ROI！

# 资料关注



《Python编程：从入门到实践》
《利用Python进行数据分析》
《算法导论中文第三版》
《概率论与数理统计（第四版） (盛骤) 》
《程序员的数学》
《线性代数应该这样学第3版》
《微积分和数学分析引论》
《（西瓜书）周志华-机器学习》
《TensorFlow机器学习实战指南》
《Sklearn与TensorFlow机器学习实用指南》
《模式识别（第四版）》
《深度学习 deep learning》伊恩·古德费洛著 花书
《Python深度学习第二版(中文版)【纯文本】 (登封大数据 (Francois Choliet)) (Z-Library)》
《深入浅出神经网络与深度学习+(迈克尔·尼尔森（Michael+Nielsen）》
《自然语言处理综论  第2版》
《Natural-Language-Processing-with-PyTorch》
《计算机视觉-算法与应用(中文版)》
《Learning OpenCV 4》
《AIGC：智能创作时代》杜雨+&+张孜铭
《AIGC原理与实践：零基础学大语言模型、扩散模型和多模态模型》
《从零构建大语言模型（中文版）》
《实战AI大模型》
《AI 3.0》

学习目标：掌握从图像中提取物体轮廓的完整流程，能使用 OpenCV 查找、绘制、分析轮廓，并应用于物体计数、形状识别等实际任务。

人工智能之视觉领域 计算机视觉 第九章 图像轮廓检测

技术岗

数据库

掌握OpenCV图像轮廓检测技术，从二值化处理到轮廓提取，实现物体计数、形状识别等应用。学习findContours、drawContours核心函数，分析轮廓面积、周长等特征，应用于硬币计数、工业质检等场景。

自然语言处理

计算机视觉

智能创作

人工智能

机器学习

深度学习

大数据

Python

2026采购季 | AI焕新·智启新局

bigdata-class

ai-class

文章

问答

视频

教程

学习中心

腾讯云实验室

直播

竞赛

腾讯云代码分析专区

腾讯iOA零信任安全管理系统专区

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云智能顾问专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯轻量云游戏服专区

EdgeOne AI 安全实战专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋

腾讯云代码助手

云原生构建

TAPD 敏捷项目管理

Cloud Studio

SDK中心

API中心

命令行工具

涵盖代码开发、场景应用、自动测试全流程，助你从零构建专属AI助手

一站式MCP教程库，解锁AI应用新玩法

聚焦“写作效率、视觉美观与运行性能”三方面进行全面升级，为您提供更高效、稳定的创作环境

社区富文本&Markdown编辑器全新改版上线，欢迎大家体验!

诚挚邀请您参与本次调研，分享您的真实使用感受与建议。您的反馈至关重要，感谢您的支持与参与！

社区新版编辑器体验调研

人工智能之视觉领域 计算机视觉 第九章 图像轮廓检测-腾讯云开发者社区-腾讯云

人工智能之视觉领域计算机视觉第九章图像轮廓检测

人工智能之视觉领域计算机视觉第九章图像轮廓检测

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之视觉领域 计算机视觉 第九章 图像轮廓检测

人工智能之视觉领域 计算机视觉 第九章 图像轮廓检测

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐

人工智能之视觉领域计算机视觉第九章图像轮廓检测

人工智能之视觉领域计算机视觉第九章图像轮廓检测