【OpenCV】Python图像处理之查找并绘制轮廓

本文旨在帮助掌握 OpenCV-Python 中图像轮廓的查找与绘制方法，轮廓是图像中连续的、具有相同像素值的边界曲线，是图像分割、目标检测、形状分析的核心工具。OpenCV 中通过cv2.findContours()查找轮廓，cv2.drawContours()绘制轮廓，核心流程是图像预处理（二值化）→ 查找轮廓 → 绘制轮廓，下面会从原理、完整流程、API 详解、实战示例和高级应用逐步讲解，内容贴合实际开发需求。

一、轮廓的核心概念

1. 轮廓是二值图像中白色前景的边界（黑色为背景），因此查找轮廓前必须将图像转为二值图（灰度→阈值分割 / 边缘检测）；
2. 轮廓与边缘的区别：边缘是离散的像素点，轮廓是连续的闭合曲线，且轮廓只针对前景区域；
3. 轮廓的层级：图像中轮廓可能存在嵌套关系（如大矩形内有小矩形），OpenCV 会记录轮廓的父子层级关系，便于筛选内外轮廓。

二、核心 API 详解

1. 查找轮廓：cv2.findContours()

函数原型（OpenCV4 + 版本，返回值简化为 2 个，轮廓和层级）：

contours, hierarchy = cv2.findContours(image, mode, method)

关键参数：

返回值：

• contours：轮廓列表，每个轮廓是N×1×2的 NumPy 数组，存储轮廓的 (x,y) 坐标点；
• hierarchy：层级数组，形状为1×N×4，每个轮廓对应 4 个值[next, prev, child, parent]，分别表示「下一个轮廓、上一个轮廓、子轮廓、父轮廓」，无对应轮廓时为 - 1。

2. 绘制轮廓：cv2.drawContours()

函数原型：

img = cv2.drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None)

关键参数：

三、查找并绘制轮廓的标准流程

所有轮廓操作的基础是高质量的二值图，预处理不到位会导致轮廓检测混乱，标准步骤如下：

1. 读取图像，转为灰度图（cv2.cvtColor()）；
2. 图像预处理（可选）：去噪（cv2.GaussianBlur()），避免噪声被检测为轮廓；
3. 二值化（cv2.threshold()/cv2.adaptiveThreshold()）：将图像转为黑白，突出前景；
4. （可选）形态学运算（cv2.dilate()/cv2.erode()）：膨胀填充前景孔洞，腐蚀去除微小噪声；
5. 查找轮廓（cv2.findContours()）：复制二值图避免被修改；
6. 绘制轮廓（cv2.drawContours()）：用彩色图绘制，方便可视化；
7. 显示 / 保存结果。

基础实现代码（最常用场景：检测外轮廓并绘制）

import cv2 import numpy as np import matplotlib.pyplot as plt # 1. 读取图像并转灰度 img = cv2.imread('shape.jpg') # 读取彩色图，用于后续绘制轮廓 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) cv2.imshow('Gray', gray) # 2. 预处理：高斯去噪 + 二值化（关键：让前景和背景分离） blur = cv2.GaussianBlur(gray, (3, 3), 0) # 去噪，避免噪声干扰轮廓检测 # 二值化：大于127设为255（白，前景），小于设为0（黑，背景），THRESH_BINARY_INV为反向 ret, binary = cv2.threshold(blur, 127, 255, cv2.THRESH_BINARY) cv2.imshow('Binary', binary) # 3. 查找轮廓：仅找外轮廓，压缩轮廓点（最常用参数组合） # 注意：传入binary的复制，避免函数修改原二值图 contours, hierarchy = cv2.findContours(binary.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) print(f"检测到的轮廓数量：{len(contours)}") # 4. 绘制轮廓：在彩色原图的复制上绘制，绿色，线宽2，绘制所有轮廓 img_contour = img.copy() cv2.drawContours(img_contour, contours, -1, (0, 255, 0), 2) # 5. 显示结果 cv2.imshow('Contour', img_contour) cv2.waitKey(0) cv2.destroyAllWindows()

四、关键优化：形态学运算优化二值图

如果二值图存在前景孔洞或微小噪声点，会导致检测到多余轮廓或轮廓不闭合，此时用形态学膨胀 / 闭运算优化：

# 二值化后添加形态学运算 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) # 闭运算（膨胀→腐蚀）：填充前景内部的小孔洞 binary_close = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) # 膨胀：让前景轮廓更连续（可选，根据图像调整） # binary_dilate = cv2.dilate(binary_close, kernel, iterations=1) # 再查找轮廓 contours, hierarchy = cv2.findContours(binary_close.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

五、实战常见需求

1. 绘制单个轮廓 & 填充轮廓内部

img_contour = img.copy() # 绘制第0个轮廓：红色，线宽3 cv2.drawContours(img_contour, contours, 0, (0, 0, 255), 3) # 绘制第1个轮廓：蓝色，填充内部（thickness=-1） cv2.drawContours(img_contour, contours, 1, (255, 0, 0), -1) cv2.imshow('Single & Filled Contour', img_contour)

2. 筛选轮廓（按面积 / 周长）

实际开发中，噪声会被检测为小轮廓，可通过轮廓面积（cv2.contourArea()）或轮廓周长（cv2.arcLength()）筛选有效轮廓：

img_filter = img.copy() valid_contours = [] # 存储有效轮廓 for cnt in contours: # 计算轮廓面积 area = cv2.contourArea(cnt) # 计算轮廓周长（True表示轮廓闭合） perimeter = cv2.arcLength(cnt, True) # 筛选面积大于100的轮廓（阈值根据图像调整） if area > 100: valid_contours.append(cnt) # 在轮廓旁绘制面积值 # 获取轮廓的外接矩形，确定文字位置 x, y, w, h = cv2.boundingRect(cnt) cv2.putText(img_filter, f"Area:{int(area)}", (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 1) # 绘制筛选后的有效轮廓 cv2.drawContours(img_filter, valid_contours, -1, (0,255,0), 2) print(f"筛选后的有效轮廓数量：{len(valid_contours)}") cv2.imshow('Filtered Contour', img_filter)

3. 绘制轮廓的外接矩形 / 外接圆（目标定位）

轮廓的外接矩形 / 外接圆是目标定位的常用手段，结合cv2.boundingRect()（外接矩形）、cv2.minEnclosingCircle()（最小外接圆）实现：

img_outer = img.copy() for cnt in valid_contours: # 绘制外接矩形：绿色 x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(img_outer, (x,y), (x+w,y+h), (0,255,0), 2) # 绘制最小外接圆：红色 (x_c, y_c), r = cv2.minEnclosingCircle(cnt) center = (int(x_c), int(y_c)) radius = int(r) cv2.circle(img_outer, center, radius, (0,0,255), 2) cv2.imshow('Outer Shape', img_outer)

4. 检测嵌套轮廓（绘制内外轮廓）

使用cv2.RETR_TREE检索所有层级轮廓，结合hierarchy区分内外轮廓（父轮廓parent=-1，子轮廓parent≥0）：

# 重新查找所有轮廓，建立树形层级 contours, hierarchy = cv2.findContours(binary_close.copy(), cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) img_tree = img.copy() for i, cnt in enumerate(contours): # 父轮廓索引：hierarchy[0][i][3] parent = hierarchy[0][i][3] if parent == -1: # 无父轮廓 → 外层轮廓：绿色 cv2.drawContours(img_tree, contours, i, (0,255,0), 2) else: # 有父轮廓 → 内层轮廓：红色 cv2.drawContours(img_tree, contours, i, (0,0,255), 2) cv2.imshow('Inner & Outer Contour', img_tree)

六、高级应用：轮廓的形状识别

通过轮廓的逼近多边形（cv2.approxPolyDP()）判断形状（如三角形、矩形、圆形），核心原理是用最少的点逼近轮廓，点的数量对应形状的边数：

img_shape = img.copy() for cnt in valid_contours: perimeter = cv2.arcLength(cnt, True) # 轮廓逼近：epsilon为周长的0.04倍（阈值越小，逼近越接近原轮廓） epsilon = 0.04 * perimeter approx = cv2.approxPolyDP(cnt, epsilon, True) # 获取逼近后的顶点数量 vertex_num = len(approx) # 判断形状 if vertex_num == 3: shape = "Triangle" elif vertex_num == 4: # 4个顶点：判断是否为正方形（长宽比接近1） x, y, w, h = cv2.boundingRect(approx) ratio = w / float(h) shape = "Square" if 0.95 <= ratio <= 1.05 else "Rectangle" elif vertex_num > 6: shape = "Circle" else: shape = "Other" # 绘制逼近多边形+形状文字 cv2.drawContours(img_shape, [approx], 0, (0,255,0), 2) cv2.putText(img_shape, shape, (cnt[:,0,0].min(), cnt[:,0,1].min()-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (255,0,0), 1) cv2.imshow('Shape Recognition', img_shape)

七、常见问题与解决方案

1. 检测不到轮廓：
   • 二值图前景 / 背景颠倒：改用cv2.THRESH_BINARY_INV反向二值化；
   • 图像有噪声：增加高斯去噪或形态学运算；
   • 轮廓是黑色：二值图必须白色为前景，黑色为背景。
2. 检测到大量冗余小轮廓：按轮廓面积 / 周长筛选，或增大形态学腐蚀的核尺寸。
3. 轮廓不闭合：用形态学闭运算填充轮廓间隙，或调整二值化阈值。
4. OpenCV3 和 OpenCV4 的 API 差异：
   • OpenCV3：image, contours, hierarchy = cv2.findContours(...)（多返回一个修改后的图像）；
   • OpenCV4+：contours, hierarchy = cv2.findContours(...)（推荐，简化返回值）。

八、完整综合示例（轮廓检测 + 筛选 + 形状识别 + 绘制）

import cv2 import numpy as np # 1. 读取图像并预处理 img = cv2.imread('shape_mix.jpg') if img is None: raise ValueError("图像读取失败，请检查路径！") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (3, 3), 0) ret, binary = cv2.threshold(blur, 127, 255, cv2.THRESH_BINARY) # 2. 形态学优化二值图 kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) binary_close = cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel) # 3. 查找外轮廓 contours, hierarchy = cv2.findContours(binary_close.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 4. 筛选有效轮廓+形状识别+绘制 img_result = img.copy() valid_contours = [] for cnt in contours: area = cv2.contourArea(cnt) if area > 50: # 筛选面积大于50的轮廓 valid_contours.append(cnt) # 轮廓逼近 perimeter = cv2.arcLength(cnt, True) epsilon = 0.04 * perimeter approx = cv2.approxPolyDP(cnt, epsilon, True) vertex_num = len(approx) # 判断形状 if vertex_num == 3: shape = "Triangle" color = (0, 255, 0) elif vertex_num == 4: x, y, w, h = cv2.boundingRect(approx) ratio = w / float(h) shape = "Square" if 0.95 <= ratio <= 1.05 else "Rectangle" color = (0, 0, 255) elif vertex_num > 6: shape = "Circle" color = (255, 0, 0) else: shape = "Other" color = (128, 128, 0) # 绘制轮廓+外接矩形+形状文字 cv2.drawContours(img_result, [approx], 0, color, 2) x, y, w, h = cv2.boundingRect(cnt) cv2.rectangle(img_result, (x, y), (x+w, y+h), color, 1) cv2.putText(img_result, f"{shape}({int(area)})", (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.4, color, 1) # 5. 显示所有结果 cv2.imshow('Original', img) cv2.imshow('Binary', binary_close) cv2.imshow('Contour & Shape Recognition', img_result) print(f"原始轮廓数：{len(contours)}，有效轮廓数：{len(valid_contours)}") cv2.waitKey(0) cv2.destroyAllWindows() # 保存结果 cv2.imwrite('contour_result.jpg', img_result)

总结

OpenCV-Python 查找并绘制轮廓的核心要点：

1. 预处理是基础：灰度→去噪→二值化→（形态学优化），确保二值图白色前景、黑色背景，无噪声和孔洞；
2. API 核心参数：
   • 查找轮廓：cv2.RETR_EXTERNAL（外轮廓）+cv2.CHAIN_APPROX_SIMPLE（压缩点）是最常用组合；
   • 绘制轮廓：contourIdx=-1绘所有轮廓，thickness=-1填充内部；
3. 实用技巧：
   • 用cv2.contourArea()/cv2.arcLength()筛选有效轮廓，排除噪声；
   • 用cv2.boundingRect()/cv2.minEnclosingCircle()实现目标定位；
   • 用cv2.approxPolyDP()做轮廓逼近，实现形状识别；
4. 层级轮廓：cv2.RETR_TREE检索所有嵌套轮廓，通过hierarchy区分内外轮廓。

轮廓操作是 OpenCV 图像处理的核心技能，广泛应用于目标检测、图像分割、工业检测（如瑕疵识别）、形状分析等场景，掌握上述方法即可应对绝大多数实际开发需求。