轮廓揭秘：探索 OpenCV 中的轮廓世界**

2023-10-17 20:17:34

在计算机视觉领域，OpenCV 为开发者提供了强大的工具集来处理各类图像问题。其中，轮廓检测与绘制是核心功能之一。本文旨在深度解析这些技术如何实现，并提供实际操作指南。

图像预处理

进行轮廓检测前，首先需对原图进行预处理，如灰度化和二值化。这些步骤有助于提取出清晰的边缘信息。

import cv2

# 读取图像并转为灰度模式
image = cv2.imread('example.jpg', cv2.IMREAD_GRAYSCALE)

# 使用阈值法将图像转换成黑白两色，其中0代表黑色（背景），1或255代表白色（前景）
_, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

轮廓检测

接下来使用 cv2.findContours 函数来查找图像中的轮廓。该函数返回两个值，一个是所有轮廓的列表，另一个是每个轮廓的层次信息。

# 寻找轮廓
contours, hierarchy = cv2.findContours(binary_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# 显示原始图像和二值化后的图像，以及提取出的轮廓数量
cv2.imshow('Original Image', image)
cv2.imshow('Binary Image', binary_image)
print(f'Found {len(contours)} contours.')

轮廓绘制

找到轮廓后，可以使用 cv2.drawContours 函数将它们画在原始图像上。

# 绘制所有轮廓到原图上，这里设置轮廓颜色为红色（BGR模式下的(0, 0, 255)）
contour_image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
cv2.drawContours(contour_image, contours, -1, (0, 0, 255), thickness=2)

# 显示绘制轮廓后的图像
cv2.imshow('Contoured Image', contour_image)

轮廓属性分析

每个轮廓都有自己的属性，如面积、周长等。通过这些信息可以对对象进行更细致的分类与识别。

for cnt in contours:
    # 计算轮廓面积和周长
    area = cv2.contourArea(cnt)
    perimeter = cv2.arcLength(cnt, True)

    print(f'Contour Area: {area}, Perimeter: {perimeter}')