【youcans 的 OpenCV 例程200篇】194.寻找图像轮廓（cv.findContours）
1. 轮廓
轮廓是一系列相连的像素点组成的曲线，代表了物体的基本外形。轮廓常用于形状分析和物体的检测和识别。
边缘检测根据灰度的突变检测边界，但检测到的边缘通常还是零散的片段，并未构成整体。从背景中分离目标，就要将边缘像素连接构成轮廓。也就是说，轮廓是连续的，边缘不一定都连续。边缘主要是作为图像的特征使用，而轮廓主要用来分析物体的形态。
1.1 轮廓的查找
OpenCV 提供函数 cv.findContours() 从二值图像中寻找轮廓，函数 cv2.drawContours() 绘制轮廓。
函数说明：
cv.findContours(image, mode, method[, contours[, hierarchy[, offset]]]) → contours, hierarchy
cv.findContours() 对黑色背景的二值图像操作，通常会先使用阈值分割或边缘检测得到二值图像。
参数说明：
- image：原始图像，8 位单通道二值图像
- mode： 轮廓检索模式
- cv.RETR_EXTERNAL：只检索最外层轮廓
- cv.RETR_LIST：检索所有轮廓，不建立任何层次关系
- cv.RETR_CCOMP：检索所有轮廓，并将其组织为两层， 顶层是各部分的外部轮廓，次层是内层轮廓
- cv.RETR_TREE：检索所有轮廓，并重建嵌套轮廓的完整层次结构
- cv.RETR_FLOODFILL：漫水填充法（泛洪填充）
- method： 轮廓近似方法
- cv.CHAIN_APPROX_NONE：输出轮廓的每个像素点
- cv.CHAIN_APPROX_SIMPLE：压缩水平、垂直和斜线，仅保留这些线段的端点
- cv.CHAIN_APPROX_TC89_L1：应用 Teh-Chin 链近似算法 L1
- cv.CHAIN_APPROX_TC89_KCOS：应用 Teh-Chin 链近似算法 KCOS
- contours：检测到的所有轮廓，列表格式，每个轮廓存储为包含边界点坐标 (x,y) 的点向量
- 列表（LIST）长度为 L，对应于找到的 L 个轮廓，按 0,…L-1 顺序排列
- 列表中的第 i 个元素是一个形如 (k,1,2) 的 Numpy 数组，表示第 i 个轮廓，k 是第 i 个轮廓的边界点的数量
- 数组 contours[i] 是构成第 i 个轮廓的各边界点坐标 (x,y) 的点向量
- 注意边界点的坐标表达形式是 (x,y)，而不是 OpenCV 中常用的像素坐标表达形式 (y,x)。
- hierarchy：轮廓的层次结构和拓扑信息，是一个形如 (1,k,4) 的 Numpy 数组
- k 对应于找到的轮廓数量
- hierarchy[0][i] 表示第 i 个轮廓的层次结构，是包含 4个值的数组 [Next, Previous, First Child, Parent]，分别代表第 i 个轮廓的同层的后一个轮廓、同层的前一个轮廓、第一个子轮廓、父轮廓的编号
- offset：每个轮廓点的偏移量，可选项，
注意事项：
- 原始图像 image 必须是单通道图像，其中的非 0 像素都被视为 1，因此图像被视为二值图像。在查找轮廓之前，可以使用 threshold、inRange、Canny 等方法从灰度或彩色图像中创建二值图像。
- 通常将轮廓近似方法 method 设为 CHAIN_APPROX_SIMPLE，对轮廓的水平、垂直和斜线进行压缩，只保留这些线段的端点，因此轮廓是由一系列线段连接而成的闭合曲线。
- 每一个轮廓都是一个 Numpy 数组，包含对象边界点 (x,y) 的坐标，注意不是 (y,x)。
- 如果从图像 ROI 中提取轮廓，然后在图像上下文中进行分析，偏移量 offset 将非常有用。
- 轮廓的层次结构的表达嵌套在顶级数组中，可以使用 hierarchy[0][i] 访问第 i 个轮廓的层次结构元素。
- 对应于第 i 个轮廓 contours[i]，hierarchy [i][0]~hierarchy[i][3] 分别代表它的同层的后一个轮廓、同层的前一个轮廓、第一个子轮廓、父轮廓的编号。
使用说明：
函数 cv.findContours() 是常用的寻找轮廓函数，但在使用中要注意几个问题：
**注意 1：**OpenCV不同版本中本函数的返回值不同。OpenCV 3 中返回 3个值 image, contours, hierarchy，OpenCV2、OpenCV4、OpenCV5 中函数返回 2个值 contours, hierarchy。
**注意2：**OpenCV 3.2 之前的早期版本中，函数会对输入图像“原地”修改——这是 OpenCV5 官方文档中的提示，但本文作者认为 OpenCV2 及其它版本到底是否修改原图存疑。为了避免不同版本带来的错误，建议都采用原始图像的 copy 作为函数的输入图像。
**注意3：**cv.findContours() 对黑色背景的二值图像操作，也就是默认需要提取轮廓的目标为亮色、浅色。如果背景为亮色、浅色，如书本通常是白色背景深色文字，要在二值处理时选择取反操作。
**注意4：**轮廓边界点的坐标表达形式是 (x,y)，而不是 OpenCV 中常用的像素坐标表达形式 (y,x)。
**注意5：**第 i 个轮廓 contours[i]，hierarchy [i] 按照先外层后内层的顺序从 0～L-1 依次编号，但编号顺序并不体现嵌套结构关系。轮廓之间的嵌套结构关系是由 hierarchy [i] 的数值来表达的。
**注意6：**查找轮廓时，推荐使用边缘检测 而不是阈值处理 cv.threshold() 得到二值图，其原因是：
- 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；
- 使用边缘检测提取结果的白点数量更少，可以提高轮廓检测的性能；
- 边缘检测也可以使用 cv.Sobel，cv.Scharr，cv.Laplacian 等方法，但 cv.Canny 的边缘检测效果往往更好。
例程 12.1：查找图像轮廓
# 12.1 从二值图像中寻找轮廓
img = cv2.imread("../images/pattern1.png", flags=1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度图像
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_OTSU+cv2.THRESH_BINARY_INV)
plt.figure(figsize=(9, 6))
plt.subplot(131), plt.axis('off'), plt.title("Origin")
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.subplot(132), plt.axis('off'), plt.title("BinaryInv")
plt.imshow(binary, 'gray')
# 寻找二值化图中的轮廓
binary, contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # OpenCV3
# contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # OpenCV4~
# # 绘制轮廓
contourPic = img.copy() # OpenCV3.2 之前的早期版本，查找轮廓函数会修改原始图像
contourPic = cv2.drawContours(contourPic, contours, -1, (0, 0, 255), 2) # OpenCV3
# contourPic = cv.drawContours(img, contours, -1, (0, 0, 255), thickness=cv.FILLED,maxLevel=1)
print("len(contours) = ",len(contours)) # 所有轮廓的列表
for i in range(len(contours)):
print("i=", i, contours[i].shape) # 第 i 个轮廓的边界点
print("hierarchy.shape : ", hierarchy.shape) # 层次结构
print(hierarchy)
plt.subplot(133), plt.axis('off'), plt.title("External contour")
plt.imshow(cv2.cvtColor(contourPic, cv2.COLOR_BGR2RGB))
plt.tight_layout()
plt.show()
运行结果：
len(contours) = 6
hierarchy.shape : (1, 6, 4)
i= 0 ,contours[i]: (5, 1, 2) ,hierarchy[0][i] = [ 1 -1 -1 -1]
i= 1 ,contours[i]: (5, 1, 2) ,hierarchy[0][i] = [ 2 0 -1 -1]
i= 2 ,contours[i]: (4, 1, 2) ,hierarchy[0][i] = [-1 1 3 -1]
i= 3 ,contours[i]: (8, 1, 2) ,hierarchy[0][i] = [-1 -1 4 2]
i= 4 ,contours[i]: (4, 1, 2) ,hierarchy[0][i] = [ 5 -1 -1 3]
i= 5 ,contours[i]: (5, 1, 2) ,hierarchy[0][i] = [-1 4 -1 3]
原图为白色背景深色目标，先进行二值化处理，并取反成为黑色背景白色目标。用 findContours() 寻找轮廓并显示，关于构造和显示轮廓图像函数 drawContours() 在下一节介绍。
轮廓检索模式 mode 设为 RETR_TREE，查找所有的轮廓（树状结构）；mode 设为 RETR_EXTERNAL，只查找最外层的轮廓，不查找图中内层菱形目标的轮廓。
返回值 contours 是所有轮廓的列表：
- 列表长度为 6，对应于找到的 6 个轮廓。
- 列表中的第 i 个元素表示第 i 个轮廓，是一个形如 (k,1,2) 的 Numpy 数组。
- 数组 contours[i] 是构成第 i 个轮廓的各边界点坐标 (x,y) 的点向量，k 是描述第 i 个轮廓的边界点的个数。
- 注意边界点的坐标表达形式是 (x,y)，而不是 OpenCV 中常用的像素坐标表达形式 (y,x)。
通常将轮廓近似方法 method 设为 CHAIN_APPROX_SIMPLE，对轮廓的水平、垂直和斜线进行压缩，只保留这些线段的端点，因此轮廓是由一系列线段连接而成的闭合曲线。一个矩形轮廓最少可以用 4 个边界点表示，如例程的结果中 i=2 的轮廓只有 4个顶点。但由于图像本身和轮廓查找的算法的影响，一个看起来是矩形的目标，其轮廓也可能多于 4个边界点。
返回值 hierarchy 是轮廓的层次结构和拓扑信息，是一个形如 (1,k,4) 的 Numpy 数组：
- k 对应于找到的轮廓数量。
- hierarchy[0][i]表示第 i 个轮廓的层次结构，hierarchy [0][i][0]~hierarchy[0][i][3] 分别代表第 i 个轮廓的同层的后一个轮廓、同层的前一个轮廓、第一个子轮廓、父轮廓的编号。-1 表示没有/不适用。
第 i 个轮廓 contours[i]，hierarchy [i] 按照 0～L-1 顺序编号，编号顺序并不体现嵌套结构关系。轮廓之间的嵌套结构关系是由 hierarchy [i] 的数值来表达的。
例程找到 6个轮廓，返回值 hierarchy 的形状为 (1, 6, 4) 。
hierarchy[0][0]=[ 1 -1 -1 -1]，表示第 0 个轮廓同层后一个轮廓编号为 1，没有同层前一个轮廓，没有子轮廓，没有父轮廓；
hierarchy[0][1]=[ 2 0 -1 -1]，表示第 1 个轮廓同层后一个轮廓编号为 2，同层前一个轮廓编号为 0，没有子轮廓，没有父轮廓；
hierarchy[0][2]=[-1 1 3 -1]，表示第 2 个轮廓没有同层后一个轮廓，同层前一个轮廓编号为 1，子轮廓编号为 3，没有父轮廓；
hierarchy[0][3]=[-1 -1 4 2]，表示第 3 个轮廓没有同层后一个轮廓，没有同层前一个轮廓，子轮廓编号为 4，父轮廓编号为 2；
hierarchy[0][4]=[ 5 -1 -1 3]，表示第 4 个轮廓同层后一个轮廓编号为 5，没有同层前一个轮廓，没有子轮廓，父轮廓编号为 3；
hierarchy[0][5]= [-1 4 -1 3]，表示第 5 个轮廓没有同层后一个轮廓，同层前一个轮廓编号为4，没有子轮廓，父轮廓编号为 3。
（本节完）
版权声明：
OpenCV 例程200篇 总目录-202205更新
youcans@xupt 原创作品，转载必须标注原文链接：(https://blog.csdn.net/youcans/article/details/124970610)
Copyright 2022 youcans, XUPT
Crated：2022-5-25
欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列，持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列，持续更新中【youcans 的 OpenCV 例程200篇】147. 图像分割之孤立点检测
【youcans 的 OpenCV 例程200篇】148. 图像分割之线检测
【youcans 的 OpenCV 例程200篇】149. 图像分割之边缘模型
【youcans 的 OpenCV 例程200篇】150. 边缘检测梯度算子
【youcans 的 OpenCV 例程200篇】151. 边缘检测中的平滑处理
【youcans 的 OpenCV 例程200篇】152. 边缘检测之 LoG 算子
【youcans 的 OpenCV 例程200篇】153. 边缘检测之 DoG 算子
【youcans 的 OpenCV 例程200篇】154. 边缘检测之 Canny 算子
【youcans 的 OpenCV 例程200篇】155. 边缘连接的局部处理方法
【youcans 的 OpenCV 例程200篇】156. 边缘连接局部处理的简化算法
【youcans 的 OpenCV 例程200篇】157. 霍夫变换直线检测
【youcans 的 OpenCV 例程200篇】158. 阈值处理之固定阈值法
【youcans 的 OpenCV 例程200篇】159. 图像分割之全局阈值处理
【youcans 的 OpenCV 例程200篇】160. 图像处理之OTSU 方法
【youcans 的 OpenCV 例程200篇】161. OTSU 阈值处理算法的实现
【youcans 的 OpenCV 例程200篇】162. 全局阈值处理改进方法
【youcans 的 OpenCV 例程200篇】163. 基于边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】164.使用 Laplace 边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】165.多阈值 OTSU 处理方法
【youcans 的 OpenCV 例程200篇】166.自适应阈值处理
【youcans 的 OpenCV 例程200篇】167.基于移动平均的可变阈值处理
【youcans 的 OpenCV 例程200篇】168.图像分割之区域生长
【youcans 的 OpenCV 例程200篇】169.图像分割之区域分离
【youcans 的 OpenCV 例程200篇】170.图像分割之K均值聚类
【youcans 的 OpenCV 例程200篇】171.SLIC 超像素区域分割
【youcans 的 OpenCV 例程200篇】172.SLIC 超像素区域分割算法比较
【youcans 的 OpenCV 例程200篇】173.SEEDS 超像素区域分割
【youcans 的 OpenCV 例程200篇】174.LSC 超像素区域分割
【youcans 的 OpenCV 例程200篇】175.超像素区域分割方法比较
【youcans 的 OpenCV 例程200篇】176.图像分割之均值漂移算法
【youcans 的 OpenCV 例程200篇】177.图像分割之 GraphCuts 图割法
【youcans 的 OpenCV 例程200篇】178.图像分割之 GrabCut 图割法（框选前景）
【youcans 的 OpenCV 例程200篇】179.图像分割之 GrabCut 图割法（掩模图像）
【youcans 的 OpenCV 例程200篇】180.基于距离变换的分水岭算法
【youcans 的 OpenCV 例程200篇】181.基于 Sobel 梯度的分水岭算法
【youcans 的 OpenCV 例程200篇】182.基于形态学梯度的分水岭算法
【youcans 的 OpenCV 例程200篇】183.基于轮廓标记的分水岭算法
【youcans 的 OpenCV 例程200篇】184.鼠标交互标记的分水岭算法
【youcans 的 OpenCV 例程200篇】185.图像金字塔之高斯金字塔
【youcans 的 OpenCV 例程200篇】186.图像金字塔之拉普拉斯金字塔
【youcans 的 OpenCV 例程200篇】187.由拉普拉斯金字塔还原图像
【youcans 的 OpenCV 例程200篇】188.基于拉普拉斯金字塔的图像融合
【youcans 的 OpenCV 例程200篇】189.基于掩模的拉普拉斯金字塔图像融合
【youcans 的 OpenCV 例程200篇】190.基于图像分割的图像融合
【youcans 的 OpenCV 例程200篇】191.基于图像分割的金字塔图像融合
【youcans 的 OpenCV 例程200篇】192.Gabor 滤波器组的形状
【youcans 的 OpenCV 例程200篇】193.基于Gabor 滤波器的特征提取
【youcans 的 OpenCV 例程200篇】194.寻找图像轮廓（cv.findContours）
【youcans 的 OpenCV 例程200篇】195.绘制图像轮廓（cv.drawContours）
