目录：

1. 轮廓常用函数
2. 第一个应用
3. 第二个应用

轮廓就是连接所有连续点(沿着边界)的曲线，具有相同的颜色或灰度值。轮廓是形状分析、物体检测和识别的有用工具。为了提高提取轮廓的精确度，需要先通过阈值处理或canny边缘检测将图像转换为二值图像。

在 OpenCV 中，寻找轮廓就像从黑色背景中寻找白色物体，所以要找到的物体应该是白色的，背景应该是黑色的。

只罗列和轮廓相关的几个函数没啥意思，通过两个例子可以对其用法有更深入的理解。

一、轮廓常用函数

1、查找轮廓

在二值图像中获取轮廓：

import cv2
im = cv2.imread('test.jpg')
imgray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(imgray, 127, 255, 0)
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

cv2.findContours() 函数中有三个参数：

• thresh：源图像
• cv2.RETR_TREE：表示轮廓检索模式
• cv2.CHAIN_APPROX_SIMPLE：表示轮廓近似方法

返回值为获取到的轮廓 contours 和hierarchy。contours为包含图像中所有轮廓的python列表（三维数组），每个轮廓是包含边界所有坐标点(x, y)的Numpy数组。hierarchy 是一个三维数组，它储存了所有等高线（轮廓）的层级结构，详情可以查看 1 和 2。

轮廓是具有相同灰度值的形状的边界，即一个轮廓可以看做是一个等高线。它存储形状边界的(x, y)坐标。我们可以使用第三个参数来指定是否存储形状边界的所有坐标点。

第二个参数决定 hierarchy 采取什么样的格式输出。第三个参数可以指定两个值，如果是 cv2.CHAIN_APPROX_NONE，则存储形状边界的所有坐标点。但有时我们不需要所有的点，比如一个矩形的轮廓，我们只需要矩形的四个端点就可以了。这时我们就可以传入 cv2.CHAIN_APPROX_SIMPLE，它会移除所有冗余的点并压缩轮廓，从而节省内存。

比如下面这个例子，我们标记出矩形所有轮廓点，第一张图片是使用 cv2.CHAIN_APPROX_NONE 得到的结果，一共有734个点；第二张图片是使用 cv2.CHAIN_APPROX_SIMPLE 得到的结果，只有4个点。

2、绘制轮廓

可以使用 cv2.drawContours() 函数来绘制轮廓，只要有轮廓的边界点，就可以用来绘制任何形状的轮廓。

下面是绘制轮廓的三个例子：

# To draw all the contours in an image:
cv2.drawContours(img, contours, -1, (0,255,0), 3)
# To draw an individual contour, say 4th contour:
cv2.drawContours(img, contours, 3, (0,255,0), 3)
# But most of the time, below method will be useful:
cnt = contours[4]
cv2.drawContours(img, [cnt], 0, (0,255,0), 3)

cv2.drawContours() 函数中有三个参数，第一个参数是源图像；第二个参数是应该包含轮廓的Python列表；第三个参数是列表索引，用来选择要绘制的轮廓，为-1时表示绘制所有轮廓；第四个参数是轮廓颜色、第五个参数是轮廓线的宽度，为-1时表示填充。

注意：指定轮廓颜色的值要和图像通道数一致。

3、轮廓外接矩形

轮廓外接矩形分为正矩形和最小矩形。使用 cv2.boundingRect(cnt) 来获取轮廓的外接正矩形，它不考虑物体的旋转，所以该矩形的面积一般不会最小；使用 cv.minAreaRect(cnt) 可以获取轮廓的外接最小矩形。

两者区别如下图所示，绿线表示外接正矩形，红线表示外接最小矩形：

cv2.boundingRect(cnt) 的返回值包含四个值，矩形框左上角的坐标(x, y)、宽度w和高度h。

x,y,w,h = cv2.boundingRect(cnt)

cv.minAreaRect(cnt) 的返回值中还包含旋转信息，返回值信息为包括中心点坐标(x,y)，宽高(w, h)和旋转角度。

然而我们绘制矩形需要矩形的四个顶点坐标，可以通过 cv.boxPoints() 来获取，如下代码所示：

rect = cv2.minAreaRect(cnt)
print(rect)  # center(x, y), (width, height), angle of rotation
box = cv2.boxPoints(rect)  # box.shape=(4, 2)
box = np.int0(box)
cv2.drawContours(img,[box],0,(0,0,255),2)

angle的范围为 (-90,-0]，如上图中的角

（与矩形框最低点相连的右边的线），一个矩形逆时针旋转，

的值变化为：-0 -> -30 -> -60 -> -0，然后不断循环。

4、轮廓面积

我们可以通过 cv2.contourArea(cnt) 来获取轮廓的面积，这里的面积表示该形状内包含的像素点数量。

5、轮廓周长

通过 cv2.arcLength(cnt,True) 来绘制轮廓周长或者曲线长度，第二个参数指定形状是为闭合轮廓（True）还是普通曲线。这里的周长/长度表示该形状边界上的像素点数量。

6、轮廓近似

我们可以将一个轮廓/曲线近似为另一个顶点数量较少的轮廓/曲线，使得它们之间的距离小于或等于指定的精度，通过 cv2.approxPolyDP(cnt, epsilon, True) 来实现。第二个参数用于轮廓近似的精度，表示原始轮廓与其近似轮廓的最大距离，值越小，近似轮廓越拟合原轮廓。第三个参数指定近似轮廓是否是闭合的。

比如下面这张图，其中物体的原始轮廓（红线所示）如第一张图所，第二张图中绿线就是epsilon为原始轮廓周长的10%时的近似轮廓，第三张图中绿线就是epsilon为原始轮廓周长的1%时的近似轮廓。

二、第一个应用

原图为：

现在我们只想获取图中圆形的内圆，不包含黑色边缘部分，就使用我们上面介绍过的函数实现。

先读取图像并将其转换为灰度图：

import cv2
import numpy as npimg = cv2.imread("shapes.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

使用阈值处理将其转换为二值图：

ret, threshed = cv2.threshold(gray, 200, 255, cv2.THRESH_BINARY_INV|cv2.THRESH_OTSU)

然后就可以查找二值图中的轮廓：

contours, _ = cv2.findContours(threshed, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

二值图和查找到的轮廓如下所示：

我们得到了很多轮廓，但是只想要最中间的那个内圆轮廓，所以我们需要对这些轮廓进行筛选：

# 按轮廓面积将轮廓进行升序排列
cnts = sorted(contours, key=cv2.contourArea)
H, W = img.shape[:2]
for cnt in cnts:# 获取轮廓外接矩形的坐标和长宽x,y,w,h = cv2.boundingRect(cnt)# 得到第一个满足条件的轮廓，就退出循环if cv2.contourArea(cnt) > 100 and (0.8 < w/h < 1.2) and (W/4 < x + w//2 < W*3/4) and (H/4 < y + h//2 < H*3/4):circle = cntbreak

仔细观察原图，可以发现我们想获取的那个圆形轮廓面积足够大，长宽比接近1，所以满足条件：

cv2.contourArea(cnt) > 100 and (0.8 < w/h < 1.2)

而且该圆形轮廓的中心点在图像的正中间部分，所以有：

(W/4 < x + w//2 < W*3/4) and (H/4 < y + h//2 < H*3/4)

当通过满足上述条件时，我们就可以获取到我们想要的内圆轮廓。

创建轮廓掩码并与原图进行逐位与运算：

mask = np.zeros(img.shape[:2], np.uint8)
cv2.drawContours(mask, [circle], -1, 255, -1)
dst = cv2.bitwise_and(img, img, mask=mask)

得到最终结果：

三、第二个应用

在这个例子中我们使用轮廓相关知识把这个人物给抠出来，类似于抠图。

还是先读取图像，并转换为灰度图，还要对其进行高斯模糊，事先过滤掉不同轮廓之间的细线连接。

第一个应用我们通过阈值处理得到二值图，这里使用 Canny 边缘检测，得到二值图，然后对其进行膨胀和腐蚀操作，方便稍后提取轮廓。关于形态学操作的内容可以参考这篇文章。

import cv2
import numpy as npimg = cv2.imread('Levi.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)blur = cv2.GaussianBlur(gray, (3, 3), 0)edges = cv2.Canny(blur, 10, 200)  # Edge detection
edges = cv2.dilate(edges, None)  # 默认(3x3)
edges = cv2.erode(edges, None)

边缘图，膨胀图和腐蚀图如下所示：

接下来我们就可以获取处理后的图像中的轮廓。

先使用 cv2.findContours 获取所有轮廓，再根据轮廓面积进行降序排列，并获取到面积最大的轮廓，即图中人物的轮廓。

接下来通过 cv2.arcLength 得到轮廓周长，并将周长的0.1%作为近似轮廓的精度。然后再使用 cv2.approxPolyDP 得到近似轮廓。

# Find contours in edges（binary image）
contours, _ = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
contours = sorted(contours, key=cv2.contourArea, reverse=True)
max_contour = contours[0]epsilon = 0.001*cv2.arcLength(max_contour, True)
approx = cv2.approxPolyDP(max_contour, epsilon, True)

然后根据近似轮廓建立一个轮廓的掩码mask，在其上绘制出最大轮廓对应的填充多边形，用于下一步抠图。

对掩码进行高斯模糊用于平滑边缘，可以消除锯齿。

mask = np.zeros(img.shape[:2], np.uint8)
cv2.drawContours(mask, [approx], -1, 255, -1)mask = cv2.GaussianBlur(mask, (5, 5), 0)
cv2.imshow('mask', mask)dst = cv2.bitwise_and(img, img, mask=mask)
cv2.imshow('dst', dst)

最后一步就是将掩码和原图像进行求与运算，即得到最终结果。

掩码图和结果如下所示：

这里说个题外话，这里我们通过 edges = cv2.Canny(blur, 10, 200) 得到二值图，但是要手动设置两个阈值参数，不想手动设置的话可以使用如下函数来手动设置：

 def auto_canny(image, sigma=0.33):# compute the median of the single channel pixel intensitiesv = np.median(image)# construct two thresholds using the medianlower = int(max(0, (1.0 - sigma) * v))upper = int(min(255, (1.0 + sigma) * v))edged = cv2.Canny(image, lower, upper)return edged

所以将 edges = cv2.Canny(blur, 10, 200) 替换为 edges = auto_canny(blur, sigma=0.33) 即可。

当需要框出目标的轮廓时，推荐使用 cv2.Canny() 边缘检测而非阈值处理生成二值图。理由：

1. 提取边缘与阈值处理不同，边缘提取可以识别图片中目标的形状、轮廓，而不是简单的区分出图片中的高光与暗调，可以简单地提取图片中颜色分布位于中间调上的目标（中间调是指色阶值接近中值(128)的图像像素）；
2. 使用Canny边缘检测，提取结果的白点数量更少，对等高线检测的混淆因素减少；
3. 不同边缘检测算法中，Canny边缘检测效果好（虽然对性能要求高）；

参考：

边缘检测，框出物体的轮廓

几何形状识别与测量

Contour Features

remove the background of image：1，2

如果觉得有用，点个赞吧(ง •̀_•́)ง。