关于OpenCV的轮廓检测函数findContours()各参数的大概意义，已在博文 https://blog.csdn.net/wenhao_ir/article/details/51798533中进行了介绍。
这篇博文以实际例子来进一步认识函数findContours()各参数的意义，这篇博文实际上是上篇博文的延伸和深入。
我们用下边这张简单的图像为例进行测试和说明：
上面这张图片的名字为“ring.bmp”百度网盘下载链接：https://pan.baidu.com/s/1SPxGouOli-XbBYfr-IJ9nw?pwd=dwch
我们把上面这张图的轮廓利用轮廓检测函数findContours()检测出来，代码如下：
# 博主微信/QQ 2487872782
# 有问题可以联系博主交流
# 有图像处理需求也请联系博主
# 图像处理技术交流QQ群 271891601
# !/usr/bin/env python
# -*- coding: utf-8 -*-
# OpenCV的版本为4.1
import numpy as np
import cv2 as cv
import sys
image = cv.imread('F:/material/images/2022/2022-06/ring.bmp')
# image = cv.imread('F:/material/images/P0044-hand-02.jpg')
if image is None:
print('Error: Could not load image')
sys.exit()
# cv.imshow('Source Image', image)
# 原图像转化为灰度图
img_gray = cv.cvtColor(image, cv.COLOR_BGR2GRAY)
# cv.imshow('img_gray', img_gray)
# 灰度图进行二值化处理，并不是函数findContours要求输入图像为二值图像，
# 而是函数findContours在进行轮廓提取前会把原图中的非0值全部当成1处理。
_, img_B = cv.threshold(img_gray, 71, 255, cv.THRESH_BINARY)
# cv.imshow('img_B', img_B)
cnts, harch = cv.findContours(img_B, mode=cv.RETR_TREE, method=cv.CHAIN_APPROX_SIMPLE)
运行结果如下：
接下来开始分析运行结果：
目录
01-轮廓是以怎样的数据结构进行存储的？
从上面的运行结果可以看出，检测出了两个轮廓，存放在列表型对象cnts中的，如下图所示：
从上图我们可以看出，每个轮廓由一个三维的ndarray数据对象存储，假设某个轮廓有N个点，则由N个一行二列的二维矩阵组成这个三维的ndarray数据对象，每个一行二列的二维矩阵中存储了各个轮廓点的坐标。
每个轮廓在列表中的索引值就是轮廓的索引值，即轮廓被依次编号为0，1，2…
02-轮廓检测模式(参数mode)对轮廓检测结果及轮廓拓扑结构(hiararchy)的影响
02-1-轮廓检测模式为RETR_TREE时的结果及分析
上面的示例代码便是轮廓检测模式为RETR_TREE时的结果，RETR_TREE模式表示返回所有的轮廓，并且建立完整的拓扑结构。
此种情况下的轮廓检测结果上面已经分析说明了，这里就不再赘述了。
我们来看下此时的轮廓拓扑结构(hiararchy)是一种怎样的数据结构。
从上面的截图中可以看出，轮廓拓扑结构(hiararchy)以ndarray的数据对象形式存储，每个ndarray数据对象是三维的。为了明白三个维度分别代表什么，我们对下面这幅图再运行一次上面的程序，
上面这幅图的名字为P0044-hand-02.jpg，百度网盘下载链接：https://pan.baidu.com/s/1uAClJ3xklpSGE1iA-7py5g?pwd=h237
结果如下：
将两次运行结果一对比，我们发现拓扑结构hiararchy-ndarray对象的第一个维度的尺寸应该是永远为1的，第二个维度的尺寸应该是代表轮廓数，第三个维度的尺寸应该永远为4，4个值依次代表某个轮廓的前一个轮廓的索引值(编号)、后一个轮廓的索引值(编号)、子轮廓(嵌套轮廓)的索引值(编号)、父轮廓的索引值(编号)。
再回到对图片ring.bmp的轮廓检测结果，我们来看下其拓扑结构的具体数值：
上面的截图是通过轮廓检测函数findContours()得到的拓扑结构矩阵，如果您想了解拓扑结构矩阵的详细意义，可以参看我的另一篇博文 https://blog.csdn.net/wenhao_ir/article/details/125570930，这里强烈大家先把拓扑结构矩阵的详细意义搞清楚，否则这篇博文下面的内容将很难理解。
02-2-轮廓检测模式为RETR_EXTERNAL时的结果及分析
RETR_EXTERNAL轮廓检测模式代表只检测最外层轮廓，对所有轮廓设置hierarchy[i][2]= hierarchy[i][3]=-1，即没有子轮廓与父轮廓。
我们设置成这种模式再对图片ring.bmp进行轮廓检测。
时只需要把下面这句语句：
cnts, harch = cv.findContours(img_B, mode=cv.RETR_TREE, method=cv.CHAIN_APPROX_SIMPLE)
修改为：
cnts, harch = cv.findContours(img_B, mode=cv.RETR_EXTERNAL, method=cv.CHAIN_APPROX_SIMPLE)
即可修改为RETR_EXTERNAL轮廓检测模式。
运行结果如下：
从上面的截图中我们可以看出，只检测到一个轮廓了，这个轮廓的子轮廓被忽略了。
我们再看下此时的拓扑结构信息：
这个拓扑结构信息是二值化原图、轮廓检测模式及轮廓检测结果共同作用生成的。
02-3-轮廓检测模式为CV_RETR_CCOMP时的结果及分析
CV_RETR_CCOMP轮廓检测模式提取所有轮廓，并且将其组织为双层结构。顶层(the top levell)为连通域的外围边界，次层(the second level)为孔(hole)的内层边界，如果孔(hole)中还有其它轮廓，那么又依次被组织为顶层和次层，即整个轮廓拓扑结构就只有两层。
只看上面这段话，相信诸君还是对这种轮廓检测模式具体是怎么操作的不是很清晰，没关系，我们看一个实际例子就清楚明白了。
将轮廓检测语句修改为：
cnts, harch = cv.findContours(img_B, mode=cv.CV_RETR_CCOMP, method=cv.CHAIN_APPROX_SIMPLE)
运行结果如下：
可见，与RETR_TREE的结果没有区别。难道RETR_CCOMP模式与RETR_TREE模式没有区别？不是的哈，其实是有区别的。
之所以上面的结果没有区别，是因为用的图像太简单了，我们把图像换成下面这幅图像就能看出差别了。
上面这幅小白兔手绘图片的名字为“img_300_320.jpg”，百度网盘下载链接：https://pan.baidu.com/s/1IaJ8nrQzGuHt3RA8jbu0GQ?pwd=bjkm
其RETR_TREE模式的轮廓检测拓扑结果如下：
其RETR_CCOMP模式的轮廓检测拓扑结果如下：
这两个检测结果就有明显区别了。我们看到在RETR_CCOMP模式下，索引值为12至22的轮廓都是索引值为11的子轮廓，因为只组织为两层结构，所以索引值为12至22的轮廓再也没有成为别的轮廓的父轮廓。
而在RETR_TREE模式下，索引值为13的轮廓是14的父轮廓，但它同时又是12的子轮廓，所以它既有父亲的身份也有儿子的身份，即整个轮廓结构不只两层，事实上根据博文https://blog.csdn.net/wenhao_ir/article/details/125570930绘制的小白兔手绘图片(img_300_320.jpg)的轮廓结构图，我们知道RETR_TREE模式下的轮廓结构为五层。
至此，我们可以总结一下：在RETR_TREE模式下，同一个轮廓既可以作为别的轮廓的父轮廓，也可作为别的轮廓的子轮廓；在RETR_CCOMP模式下，由于只将轮廓组织为两层，所以同一个轮廓只要作了某个轮廓的父轮廓或子轮廓，那么就再也不能做别的轮廓的子轮廓或父轮廓了。再换一种说法，即假如一个轮廓作了某个轮廓的父轮廓，那么它就再不能做别的轮廓的子轮廓；假如一个轮廓作了某个轮廓的子轮廓，那么它就再不能做别的轮廓的父轮廓。
02-04-轮廓检测模式为CV_RETR_LIST时的结果及分析
CV_RETR_LIST轮廓检测模式下，返回所有的轮廓，但是不建立轮廓的拓扑关系，我们还是以图片小白兔手绘图片“img_300_320.jpg”为例来看下这种情况下的运行结果。
cnts, harch = cv.findContours(img_B, mode=cv.RETR_LIST, method=cv.CHAIN_APPROX_SIMPLE)
运行结果如下：
从上面的运行结果我们可以看出，所有的子轮廓索引值和父轮廓索引值都为-1.说明的确没有建立轮廓的拓扑结构关系。
03-轮廓近似方法参数method的检测结果的影响
参数method表示算法采用的轮廓近似方法，有以下可选参数：
CV_CHAIN_APPROX_NONE：存储所有的轮廓点。这种方法下，两个连续的轮廓点，要么是水平相邻的，要么是垂直相邻的， 要么是对角相邻的，即满足max(abs(x1-x2),abs(y2-y1))==1.
CV_CHAIN_APPROX_SIMPLE： 压缩水平方向、垂直方向和对角线方向的中间点，只保留某个方向的终点坐标，例如一个矩形轮廓只需4个点来保持轮廓信息。
CV_CHAIN_APPROX_TC89_L1,CV_CHAIN_APPROX_TC89_KCOS：使用The-Chinl链逼近算法中的一个。
这个参数大家看了上面的解释叙述应该就比较清楚了，显然CV_CHAIN_APPROX_SIMPLE应该是比CV_CHAIN_APPROX_NONE检测到的轮廓的点要少的，我们看下是这不是这样。
我们以图片ring.bmp为例，CV_CHAIN_APPROX_SIMPLE下的检测结果如下：
cnts, harch = cv.findContours(img_B, mode=cv.RETR_LIST, method=cv.CHAIN_APPROX_SIMPLE)
从上图的结果我们可以看到，CV_CHAIN_APPROX_SIMPLE下检测到的两个轮廓点的个数分别为156个和166个。
CV_CHAIN_APPROX_NONE下的检测结果如下：
cnts, harch = cv.findContours(img_B, mode=cv.RETR_LIST, method=cv.CHAIN_APPROX_NONE)
从上图的结果我们可以看到，CV_CHAIN_APPROX_NONE下检测到的两个轮廓点的个数分别为322个和331个。
至此，我们便对轮廓检测函数findContours()的四个最难理解的参数contours、hiararchy、mode、method有了深入细致的认识，在图像处理的任务中使用轮廓检测函数findContours()时便会更加有的放矢了。