【Python】【OpenCV】`cv2.findContours()`、`cv2.drawContours()`和`cv2.contourArea()`函数详解和运行示例

在计算机视觉领域，轮廓检测是图像处理中非常重要的一部分，而 OpenCV 提供了一系列函数用于实现轮廓的检测、绘制及面积计算等操作。本文将详细讲解 OpenCV 中的 cv2.findContours()、cv2.drawContours() 和 cv2.contourArea() 函数的用法，并结合代码示例与图解帮助你快速掌握这些技能。

一、什么是轮廓？

轮廓（Contour） 是指边界或边缘，它描述了连接具有相同强度或颜色像素点的曲线。
在图像处理中，轮廓经常用于：

1. 形状分析：识别目标形状。
2. 目标检测：检测物体的边缘。
3. 特征提取：如面积、周长等。

二、cv2.findContours() 函数详解

1. 函数原型

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

2. 参数详解

• image：输入图像，需为二值化图像（通常使用 cv2.threshold() 或 cv2.Canny() 预处理）。

• mode：轮廓检索模式，常见选项：

  • cv2.RETR_EXTERNAL：仅检索外部轮廓。
  • cv2.RETR_TREE：检索所有轮廓并构建完整层次结构。
  • cv2.RETR_LIST：检索所有轮廓，无层次关系。

• method：轮廓近似方法，常见选项：

  • cv2.CHAIN_APPROX_NONE：保存所有轮廓点。
  • cv2.CHAIN_APPROX_SIMPLE：仅保存拐点坐标，减少冗余点。

3. 返回值

• contours：轮廓点列表，每个轮廓是一个 numpy 数组。
• hierarchy：轮廓的层次结构。

4. 示例代码

以下代码展示如何使用 cv2.findContours() 提取图像轮廓：

import cv2
import numpy as np

# 读取图像
image = cv2.imread("shapes.png", cv2.IMREAD_GRAYSCALE)

# 二值化图像
_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

# 检测轮廓
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 打印轮廓信息
print(f"检测到的轮廓数量: {len(contours)}")

示例输出

检测到的轮廓数量: 3

三、cv2.drawContours() 函数详解

1. 函数原型

cv2.drawContours(image, contours, contourIdx, color, thickness)

2. 参数详解

• image：目标图像，绘制结果将在此图像上显示。
• contours：轮廓点列表，由 cv2.findContours() 返回。

• contourIdx：

  • -1：绘制所有轮廓。
  • 正整数：绘制指定索引的轮廓。
• color：轮廓颜色，通常为 BGR 格式元组，如 (0, 255, 0) 表示绿色。
• thickness：轮廓线条粗细，-1 表示填充轮廓内部。

3. 示例代码

以下代码绘制所有轮廓：

# 读取图像
image_color = cv2.imread("shapes.png")

# 绘制轮廓
cv2.drawContours(image_color, contours, -1, (0, 255, 0), 2)

# 显示图像
cv2.imshow("Contours", image_color)
cv2.waitKey(0)
cv2.destroyAllWindows()

示例效果图

原图：

• 二值化后，轮廓被绿色线条标出。

四、cv2.contourArea() 函数详解

1. 函数原型

area = cv2.contourArea(contour)

2. 参数详解

• contour：单个轮廓点的数组（通常由 cv2.findContours() 提供）。
• 返回值：轮廓的面积（以像素为单位）。

3. 示例代码

计算每个轮廓的面积：

for i, contour in enumerate(contours):
    area = cv2.contourArea(contour)
    print(f"轮廓 {i} 的面积: {area}")

示例输出

轮廓 0 的面积: 1234.5
轮廓 1 的面积: 567.8
轮廓 2 的面积: 890.3

五、综合示例：结合三大函数完成完整流程

以下代码展示如何检测图像中的所有轮廓，绘制并计算其面积：

import cv2
import numpy as np

# 读取图像
image = cv2.imread("shapes.png", cv2.IMREAD_GRAYSCALE)
image_color = cv2.imread("shapes.png")

# 二值化
_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

# 检测轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 遍历轮廓
for i, contour in enumerate(contours):
    # 绘制当前轮廓
    cv2.drawContours(image_color, [contour], -1, (0, 255, 0), 2)
    
    # 计算轮廓面积
    area = cv2.contourArea(contour)
    print(f"轮廓 {i} 的面积: {area}")

# 显示结果
cv2.imshow("Contours", image_color)
cv2.waitKey(0)
cv2.destroyAllWindows()

运行效果图

在原始图像上绘制绿色的轮廓线，并输出每个轮廓的面积。

六、常见问题及解决方法

1. 为什么 cv2.findContours() 输入图像必须二值化？

• 二值化后，图像中像素值为 0（黑色）或 255（白色），轮廓检测更准确。

2. 如何区分外轮廓和内轮廓？

• 设置 mode=cv2.RETR_EXTERNAL 检测外轮廓。
• 设置 mode=cv2.RETR_TREE 获取内外轮廓的层次关系。

3. 如何填充轮廓内部？

• 在 cv2.drawContours() 中，将 thickness 设置为 -1。

七、总结

• cv2.findContours()：用于检测图像中的轮廓。
• cv2.drawContours()：绘制轮廓，支持单个或所有轮廓。
• cv2.contourArea()：计算轮廓面积，用于形状分析。

通过上述函数的结合，你可以轻松实现轮廓检测、绘制及特征提取。在实际项目中，轮廓处理常用于物体分割、形状识别和目标跟踪。
动手实践并将这些函数应用到你的图像处理中吧！