话不多说，上代码，看结果。
import cv2 # 导入库
import numpy as np
font = cv2.FONT_HERSHEY_SIMPLEX
'''
cv2.imread(filename,flags)
# filename为文件名，图片与.py文件在一个文件夹时输入文件名即可
# 不在一个文件夹时输入图片的路径和名字
# flags为图片的颜色类型，默认为1，灰度图像为0
'''
img = cv2.imread('39.jpg')
'''
np.copy()
# 数组拷贝，理解成备份原图像就行
# 原图像img， 备份图像img1
# 原图像随便改，备份图像还是初始的原图像
'''
img2 = img.copy()
'''
cv2.cvtColor()
# 颜色空间转换
# img为要转换的图像，后者为转换的格式
# 颜色空间有很多种，最常见的就是RGB颜色空间
# R红色，G绿色，B蓝色，OpenCV中顺序是BGR！！！！！！！
# [255, 0,0]是蓝色，[0, 255, 0]表示绿色，[0， 0， 255]表示红色
HSV颜色空间
# 也挺常用的，H是色调，S是饱和度，V是明度，具体百度就行
'''
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
'''
cv2.namedWindow(winname,flags)
# winname是窗口名字
# flags为窗口显示方式，cv2.WINDOW_NORMAL为正常显示，可以调整大小
# cv2.WINDOW_AUTOSIZE显示原图片的大小，用户不能调整大小
'''
cv2.namedWindow('img', cv2.WINDOW_NORMAL)
'''
cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow('img', img)
'''
cv2.blur(src, ksize, dst, anchor, borderType)
均值滤波
# 用邻域内像素均值来代替该点像素值，均值滤波在去噪的同时也破坏了图像细节部分
# src 要滤波的图像 ksize 内核的大小 anchor 锚点，即要平滑的点，默认值(-1, -1),即在核中心
# ksize(3, 3)表示3 * 3的核大小
# dst 输出图像
# borderType 图像像素边界类型，默认就行
'''
gray = cv2.blur(gray, (3, 3))
# 对图片做二值变化
'''
cv2.threshold(src, thresh, maxval, type, dst)
给定阈值，可以过滤灰度值过大或过小的点
# src 要滤波的图像 dst 输出图像
# thresh 给定阈值 咋判断选取的这个数的好坏呢？不停尝试。
# 用Otsu 不停尝试
# 多加一个参数：cv2.THRESH_OTSU,这时要把阈值设为 0。然后算法会找到最优阈值.
# 这个最优阈值就是返回值ret。如果不使用Otsu二值化，返回的retVal 值与设定的阈值相等
# maxval cv2.THRESH_BINARY 二值化阈值，大于阈值的部分被置为255，小于部分被置为0
# cv2.THRESH_BINARY_INV 反向二值化阈值，大于阈值部分被置为0，小于部分被置为255
# cv2.THRESH_TOZERO 大于部分保持不变, 小于阈值部分被置为0
# cv2.THRESH_TOZERO_INV 大于阈值部分被置为0，小于部分保持不变
# cv2.THRESH_TRUNC 截断阈值化，大于阈值部分被置为threshold，小于部分保持原样
'''
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
'''
cv2.findContours(image, mode, method, contours, hierarchy, offset)
# image 输入图像, 8位单通道图像(一般为二值图)
# contours: 检测到的轮廓, 每个轮廓存储为一个点向量, 即Point类型的vector表示
# hierarchy: 可选的输出向量, 包含图像的拓扑信息。
# 其作为轮廓数量的表示, 包含了许多元素, 每个轮廓contours[i]对应4个hierarchy元素
# hierarchy[i][0]~hierarchy[i][3], 分别表示后一轮廓、前一轮廓、父轮廓、内嵌轮廓的索引编号,
# 如果没有对应项, 设置为负数
# mode: 轮廓检索模式, 取值如下:
# cv2.RETR_EXTERNAL=0-----表示只检测最外层轮廓
# cv2.RETR_LIST=1------提取所有轮廓并放置在list中, 轮廓不建立等级关系
# cv2.RETR_CCOMP=2------提取所有轮廓并组织为双层结构
# cv2.RETR_TREE =3------提取所有轮廓并重新建立网状轮廓结构
# method: 轮廓的近似方法,取值见图2
# offset: 每个轮廓的可选偏移量, 默认值Point()
'''
thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)
print(len(contours)) # 输出轮廓个数
'''
cv2.drawContours(image, contours, contourIdx, color, thickness, lineType, hierarchy, maxLevel, offset)
画出图片中的轮廓值，也可以用来画轮廓的近似值
# img 输入的需要画的图片 contours 轮廓值
# -1表示轮廓的索引， (0, 0, 255)表示颜色， 2表示线条粗细
# lineType: 线条类型, 默认值8
# hierarcy: 可选的层次结构信息, 默认值noArray()
# maxLevel: 表示用于绘制轮廓的最大等级, 默认值INT_MAX
# offset: 可选的轮廓偏移参数, 默认值Point()
'''
cv2.drawContours(img, contours, -1, (0, 255, 255), 1) # 绘制轮廓
for cnt in contours:
'''
cv2.minAreaRect(points)
轮廓最小外接矩形
# points: 输入的二维点集
# 返回值: RotatedRect类矩形对象, 外接旋转矩形主要成员有center、size、angle
# 在opencv中，坐标的原点在左上角，与x轴平行的方向为角度为0，逆时针
# 旋转角度为负，顺时针旋转角度为正。而RotatedRect类是以矩形的哪一
# 条边与x轴的夹角作为角度的呢？angle 是水平轴（x轴）逆时针旋转，与
# 碰到的第一个边的夹角，而opencv默认把这个边的边长作为width，angle
# 的取值范围必然是负的
'''
# 获取最小外接矩阵，中心点坐标，宽高，旋转角度
rect = cv2.minAreaRect(cnt)
# 获取矩形四个顶点，浮点型
box = cv2.boxPoints(rect)
# 取整
box = np.int0(box)
print(box)
cv2.drawContours(img, [box], 0, (0, 255, 0), 2)
cv2.putText(img, ("Num=%s" % str(len(contours))), (5, 20), font, 0.8, (0, 255, 0), 2)
cv2.imshow("img", img) # 显示图片
'''
cv2.waitKey(delay)
# delay为正数时，延时delay毫秒结束
# 想要用按下某个键时退出可用以下方法：
# if(cv2.waitKey(0) == ord('q')):
exit(0)
#别的方法也行，不唯一
'''
if cv2.waitKey(0) & 0xFF == 27:
exit(0)
'''
cv2.destroyWindow(winname)
#结束窗口，winname为窗口名
cv2.destroyAllWindows()
#结束所有窗口
'''
cv2.destroyAllWindows()
结果如下图。
找了张图片，结果如下图
就先这样，遇到别的再补充。