OpenCV-Python 中文教程15——OpenCV 中的轮廓
一、初识轮廓
目标
• 学习找轮廓，绘制轮廓等
• 函数： cv2.findContours()， cv2.drawContours()
1、什么是轮廓
轮廓可以简单认为成将连续的点（连着边界）连在一起的曲线，具有相同的颜色或者灰度。轮廓在形状分析和物体的检测和识别中很有用。
• 为了更加准确，要使用二值化图像。在寻找轮廓之前，要进行阈值化处理或者 Canny 边界检测。
• 查找轮廓的函数会修改原始图像。如果在找到轮廓之后还想使用原始图像的话，那应该将原始图像存储到其他变量中。
• 在 OpenCV 中，查找轮廓就像在黑色背景中找白色物体。
那么如何在一个二值图像中查找轮廓？函数 cv2.findContours() 有三个参数，第一个是输入图像，第二个是轮廓检索模式，第三个是轮廓近似方法。返回值有三个，第一个是图像，第二个是轮廓，第三个是（轮廓的）层析结构。轮廓（第二个返回值）是一个 Python列表，其中存储这图像中的所有轮廓。每一个轮廓都是一个 Numpy 数组，包含对象边界点（x， y）的坐标。
2、如何绘制轮廓
函数 cv2.drawContours() 可以被用来绘制轮廓。它可以根据你提供的边界点绘制任何形状。它的第一个参数是原始图像，第二个参数是轮廓，一个 Python 列表。第三个参数是轮廓的索引（在绘制独立轮廓是很有用，当设置为 -1 时绘制所有轮廓）。接下来的参数是轮廓的颜色和厚度等。参考博客：Opencv—轮廓检测。
在一幅图像上绘制所有的轮廓：
import numpy as np
import cv2
img = cv2.imread('cat.jpg')
imgray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imgray,127,255,0)
image1, contours, hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
# 绘制独立轮廓，如第四个轮廓：
image2 = cv2.drawContours(thresh, contours, -1, (0,255,0), 3)
# image3 = cv2.drawContours(thresh, contours, 3, (0,0,255), 3)
cv2.namedWindow("img")
cv2.imshow("img",img)
cv2.namedWindow("image1")
cv2.imshow("image1",image1)
cv2.namedWindow("image2")
cv2.imshow("image2",image2)
#
# cv2.namedWindow("image3")
# cv2.imshow("image3",image3)
cv2.waitKey(0)
cv2.destroyAllWindows()运行结果：
3、轮廓的近似方法
这是函数 cv2.findCountours() 的第三个参数。它到底代表什么意思呢？由于轮廓是一个形状具有相同灰度值的边界，会存贮形状边界上所有的 (x， y) 坐标。但需要将所有的这些边界点都存储吗？这就是这个参数要告诉函数 cv2.findContours 的。
这个参数如果被设置为 cv2.CHAIN_APPROX_NONE，所有的边界点都会被存储。但是真的需要这么多点吗？例如，当需要寻找的边界是一条直线时，用直线上所有的点来表示直线吗？不是的，只需要这条直线的两个端点而已。这就是 cv2.CHAIN_APPROX_SIMPLE 要做的。 它会将轮廓上的冗余点都去掉，压缩轮廓，从而节省内存开支。
我们用下图中的矩形来演示这个技术。在轮廓列表中的每一个坐标上画一个蓝色圆圈。第一个图显示使用 cv2.CHAIN_APPROX_NONE 的效果，共有很多个点。第二个图是使用 cv2.CHAIN_APPROX_SIMPLE 的结果，只有 4 个点。
二、轮廓特征（参考：https://jingyan.baidu.com/article/4f7d5712fe74cf1a20192782.html）
目标
• 查找轮廓的不同特征，例如面积，周长，重心，边界框等。
• 你会学到很多轮廓相关函数
1、矩
图像的矩可以帮助我们计算图像的质心，面积等 ，具体参考Image Moments。函数 cv2.moments() 会将计算得到的矩以一个字典的形式返回。例如：
import cv2
import numpy as np
img = cv2.imread('cat.jpg',0)
ret,thresh = cv2.threshold(img,127,255,0)
image, contours,hierarchy = cv2.findContours(thresh, 1, 2)
cnt = contours[0]
M = cv2.moments(cnt)
print(M) #字典形式返回
# 根据这些矩的值，我们可以计算出对象的重心
cx = int(M['m10']/M['m00'])
cy = int(M['m01']/M['m00'])
print(cx)
print(cy){'m11': 403860.0, 'mu02': 3.0, 'm30': 40207125.0, 'm03': 163872926.0, 'm02': 645163.0, 'm01': 2540.0, 'mu30': 7.450580596923828e-09, 'mu12': 0.0, 'nu20': 0.2166666666665697, 'm20': 252831.66666666666, 'nu11': 0.0, 'mu11': 0.0, 'mu03': 0.0, 'm21': 64219243.333333336, 'nu21': 1.5645846789371704e-11, 'mu20': 21.666666666656965, 'nu03': 0.0, 'm12': 102580917.0, 'nu30': 2.3560804576936214e-11, 'm10': 1590.0, 'm00': 10.0, 'nu12': 0.0, 'mu21': 4.94765117764473e-09, 'nu02': 0.030000000000000006}
159
254 轮廓的面积可以使用函数 cv2.contourArea() 计算得到，也可以使用矩（0 阶矩）， M['m00']。轮廓的周长被称为弧长，可以使用函数 cv2.arcLength() 计算得到。这个函数的第二参数可以用来指定对象的形状是闭合的（True），还是打开的（一条曲线）。
import cv2
import numpy as np
img = cv2.imread('cat.jpg',0)
ret,thresh = cv2.threshold(img,127,255,0)
image, contours,hierarchy = cv2.findContours(thresh, 1, 2)
cnt = contours[0]
# 轮廓的面积
area = cv2.contourArea(cnt)
print(area)
# 轮廓的周长
perimeter = cv2.arcLength(cnt,True)
print(perimeter)运行结果：
10.0
13.6568541526794433、轮廓的近似
将轮廓形状近似到另外一种由更少点组成的轮廓形状，新轮廓的点的数目由我们设定的准确度来决定。使用的Douglas-Peucker算法，可以到维基百科获得更多此算法的细节。为了帮助理解，假设需要在一幅图像中查找一个矩形，但是由于图像的种种原因，我们不能得到一个完美的矩形，而是一个“坏形状”（如下图所示）。现在你就可以使用这个函数来近似这个形状（）了。这个函数的第二个参数叫epsilon，它是从原始轮廓到近似轮廓的最大距离。它是一个准确度参数。选择一个好的 epsilon 对于得到满意结果非常重要。
import cv2
import numpy as np
img = cv2.imread('phi.jpg',0)
ret,thresh = cv2.threshold(img,127,255,0)
image, contours,hierarchy = cv2.findContours(thresh, 1, 2)
cnt = contours[0]
epsilon = 0.1*cv2.arcLength(cnt,True)
approx = cv2.approxPolyDP(cnt,epsilon,True)
print(epsilon)
print(approx)运行结果：
36.409040009975435
[[[186 75]]
[[ 91 55]]
[[ 52 109]]]下边第二幅图中的绿线是当 epsilon = 10% 时得到的近似轮廓，第三幅图是当 epsilon = 1% 时得到的近似轮廓。第三个参数设定弧线是否闭合。
示例代码：
import cv2
# 1.先找到轮廓
img = cv2.imread('phi.jpg', 0)
_, thresh = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
image, contours, hierarchy = cv2.findContours(thresh, 3, 2)
cnt = contours[0]
# 2.进行多边形逼近，得到多边形的角点
approx = cv2.approxPolyDP(cnt, 3, True)
# 3.画出多边形
image = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
cv2.polylines(image, [approx], True, (0, 255, 0), 2)
cv2.namedWindow("img")
cv2.imshow("img",image)
cv2.waitKey(0)
cv2.destroyAllWindows()运行结果：
其中cv2.approxPolyDP()的参数2(epsilon)是一个距离值，表示多边形的轮廓接近实际轮廓的程度，值越小，越精确；参数3表示是否闭合。
4、凸包
凸包与轮廓近似相似，但不同，虽然有些情况下它们给出的结果是一样的。函数 cv2.convexHull() 可以用来检测一个曲线是否具有凸性缺陷，并能纠正缺陷。一般来说，凸性曲线总是凸出来的，至少是平的。如果有地方凹进去了就被叫做凸性缺陷。参考文章：https://www.jianshu.com/p/d53bdfb1051f，示例代码：
import cv2
im = cv2.imread('phi.jpg')
g = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
ret,g = cv2.threshold(g,200,255,0)
a,b,c = cv2.findContours(g,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = b[0]
hull = cv2.convexHull(cnt)
print(hull) #轮廓的索引点
t = cv2.cvtColor(a, cv2.COLOR_GRAY2BGR)
i = cv2.polylines(im, [hull], True, (255, 0, 0), 2)
cv2.namedWindow("img")
cv2.imshow("img",i)
cv2.waitKey(0)
cv2.destroyAllWindows()运行结果：
[[[360 221]]
[[358 405]]
[[356 414]]
[[ 94 417]]
[[ 94 287]]
[[ 96 52]]
[[133 44]]
[[233 44]]
[[347 46]]
[[360 105]]]
参数说明：
hull = cv2.convexHull(points, hull, clockwise, returnPoints]• points 我们要传入的轮廓
• hull 输出，通常不需要
• clockwise 方向标志。如果设置为 True，输出的凸包是顺时针方向的。否则为逆时针方向。
• returnPoints 默认值为 True。它会返回凸包上点的坐标。如果设置为 False，就会返回与凸包点对应的轮廓上的点。
要获得上图的凸包，下面的命令就可以：hull = cv2.convexHull(cnt)但如果想获得凸性缺陷，需要把 returnPoints 设置为 False。
5、凸性检测
函数 cv2.isContourConvex() 可以用来检测一个曲线是不是凸的，它只能返回 True 或 False。
k = cv2.isContourConvex(cnt)6、边界矩形
（1）直边界矩形
一个直矩形（就是没有旋转的矩形）。它不会考虑对象是否旋转。所以边界矩形的面积不是最小的。可以使用函数 cv2.boundingRect() 查找得到。（x， y）为矩形左上角的坐标，（w， h）是矩形的宽和高。import cv2
im = cv2.imread('11.png')
g = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
ret,g = cv2.threshold(g,200,255,0)
a,b,c = cv2.findContours(g,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = b[0]
x,y,w,h = cv2.boundingRect(cnt)
img = cv2.rectangle(im,(x,y),(x+w,y+h),(0,255,0),2)
cv2.namedWindow("img")
cv2.imshow("img",img)
cv2.waitKey(0)
cv2.destroyAllWindows()
import cv2
import numpy as np
im = cv2.imread('22.png')
imgray = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imgray,180,255,cv2.THRESH_BINARY)
image, contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
# 旋转的边界矩形
rect = cv2.minAreaRect(cnt)
box = cv2.boxPoints(rect)
box = np.int0(box)
cv2.drawContours(im, [box], 0, (0, 0, 255), 2)
cv2.imshow('result',im)
cv2.waitKey(0)
函数 cv2.minEnclosingCircle() 可以帮我们找到一个对象的外切圆。它是所有能够包括对象的圆中面积最小的一个。
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
img = cv2.circle(img,center,radius,(0,255,0),2)使用的函数为 cv2.ellipse()，返回值其实就是旋转边界矩形的内切圆。
ellipse = cv2.fitEllipse(cnt)
im = cv2.ellipse(im,ellipse,(0,255,0),2)rows,cols = img.shape[:2]
#cv2.fitLine(points, distType, param, reps, aeps[, line ]) → line
#points – Input vector of 2D or 3D points, stored in std::vector<> or Mat.
#line – Output line parameters. In case of 2D fitting, it should be a vector of
#4 elements (likeVec4f) - (vx, vy, x0, y0), where (vx, vy) is a normalized
#vector collinear to the line and (x0, y0) is a point on the line. In case of
#3D fitting, it should be a vector of 6 elements (like Vec6f) - (vx, vy, vz,
#x0, y0, z0), where (vx, vy, vz) is a normalized vector collinear to the line
#and (x0, y0, z0) is a point on the line.
#distType – Distance used by the M-estimator
#distType=CV_DIST_L2
#ρ(r) = r2 /2 (the simplest and the fastest least-squares method)
#param – Numerical parameter ( C ) for some types of distances. If it is 0, an optimal value
#is chosen.
#reps – Sufficient accuracy for the radius (distance between the coordinate origin and the
#line).
#aeps – Sufficient accuracy for the angle. 0.01 would be a good default value for reps and
#aeps.
[vx,vy,x,y] = cv2.fitLine(cnt, cv2.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
img = cv2.line(img,(cols-1,righty),(0,lefty),(0,255,0),2)import cv2
import numpy as np
im = cv2.imread('22.png')
imgray = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imgray,180,255,cv2.THRESH_BINARY)
image, contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
# 直边界矩形
x,y,w,h = cv2.boundingRect(cnt)
cv2.rectangle(im,(x,y),(x+w,y+h),(0,255,0),2)
# 旋转的边界矩形
rect = cv2.minAreaRect(cnt)
box = cv2.boxPoints(rect)
box = np.int0(box)
cv2.drawContours(im, [box], 0, (0, 0, 255), 2)
# 最小外接圆
(x,y),radius = cv2.minEnclosingCircle(cnt)
center = (int(x),int(y))
radius = int(radius)
cv2.circle(im,center,radius,(255,0,0),2)
# 椭圆拟合
ellipse = cv2.fitEllipse(cnt)
cv2.ellipse(im,ellipse,(255,255,0),2)
# 直线拟合
rows,cols = im.shape[:2]
[vx,vy,x,y] = cv2.fitLine(cnt, cv2.DIST_L2,0,0.01,0.01)
lefty = int((-x*vy/vx) + y)
righty = int(((cols-x)*vy/vx)+y)
im = cv2.line(im,(cols-1,righty),(0,lefty),(0,255,255),2)
cv2.imshow('result',im)
cv2.waitKey(0)运行结果：
三、轮廓的性质
本节将学习提取一些经常使用的对象特征，参考网址：Matlab regionprops documentation。
1、长宽比
边界矩形的宽高比：
x,y,w,h = cv2.boundingRect(cnt)
aspect_ratio = float(w)/h2、Extent
轮廓面积与边界矩形面积的比：
area = cv2.contourArea(cnt)
x,y,w,h = cv2.boundingRect(cnt)
rect_area = w*h
extent = float(area)/rect_area3、Solidity
轮廓面积与凸包面积的比 ：
area = cv2.contourArea(cnt)
hull = cv2.convexHull(cnt)
hull_area = cv2.contourArea(hull)
solidity = float(area)/hull_area4、Equivalent Diameter
与轮廓面积相等的圆形的直径：
area = cv2.contourArea(cnt)
equi_diameter = np.sqrt(4*area/np.pi)5、方向
对象的方向，下面的方法还会返回长轴和短轴的长度 ：
(x,y),(MA,ma),angle = cv2.fitEllipse(cnt)6、掩模和像素点
有时需要构成对象的所有像素点，可以这样做：
mask = np.zeros(imgray.shape,np.uint8)
# 这里一定要使用参数-1, 绘制填充的的轮廓
cv2.drawContours(mask,[cnt],0,255,-1)
#Returns a tuple of arrays, one for each dimension of a,
#containing the indices of the non-zero elements in that dimension.
#The result of this is always a 2-D array, with a row for
#each non-zero element.
#To group the indices by element, rather than dimension, use:
#transpose(nonzero(a))
#>>> x = np.eye(3)
#>>> x
#array([[ 1., 0., 0.],
# [ 0., 1., 0.],
# [ 0., 0., 1.]])
#>>> np.nonzero(x)
#(array([0, 1, 2]), array([0, 1, 2]))
#>>> x[np.nonzero(x)]
#array([ 1., 1., 1.])
#>>> np.transpose(np.nonzero(x))
#array([[0, 0],
# [1, 1],
# [2, 2]])
pixelpoints = np.transpose(np.nonzero(mask))
#pixelpoints = cv2.findNonZero(mask)这里共有两种方法，第一种方法使用了 Numpy 函数，第二种使用了 OpenCV 函数。结果相同，但还是有点不同。 Numpy 给出的坐标是（row，colum）形式的。而 OpenCV 给出的格式是（x， y）形式的。所以这两个结果基本是可以互换的。 row=x， colunm=y。
7、最大值和最小值及它们的位置
可以使用掩模图像得到这些参数 ：
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(imgray,mask = mask)8、平均颜色及平均灰度
可以使用相同的掩模求一个对象的平均颜色或平均灰度：
mean_val = cv2.mean(im,mask = mask)9、极点
一个对象最上面，最下面，最左边，最右边的点 ：
leftmost = tuple(cnt[cnt[:,:,0].argmin()][0])
rightmost = tuple(cnt[cnt[:,:,0].argmax()][0])
topmost = tuple(cnt[cnt[:,:,1].argmin()][0])
bottommost = tuple(cnt[cnt[:,:,1].argmax()][0])实际例子：
import cv2
import numpy as np
im = cv2.imread('22.png')
imgray = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
ret,thresh = cv2.threshold(imgray,180,255,cv2.THRESH_BINARY)
image, contours,hierarchy = cv2.findContours(thresh,cv2.RETR_TREE,cv2.CHAIN_APPROX_NONE)
cnt = contours[0]
leftmost = tuple(cnt[cnt[:,:,0].argmin()][0])
rightmost = tuple(cnt[cnt[:,:,0].argmax()][0])
topmost = tuple(cnt[cnt[:,:,1].argmin()][0])
bottommost = tuple(cnt[cnt[:,:,1].argmax()][0])
cv2.drawMarker(im,leftmost,(0,255,0),2)
cv2.drawMarker(im,rightmost,(0,255,0),2)
cv2.drawMarker(im,topmost,(0,255,0),2)
cv2.drawMarker(im,bottommost,(0,255,0),2)
cv2.imshow('result',im)
cv2.waitKey(0)运行结果：
四、轮廓：更多函数
目标
• 凸缺陷，以及如何找凸缺陷
• 找某一点到一个多边形的最短距离
• 不同形状的匹配
1、凸缺陷
轮廓的凸包对象上的任何凹陷都被成为凸缺陷。OpenCV 中有一个函数 cv.convexityDefect() 可以找到凸缺陷。函数调用如下：
hull = cv2.convexHull(cnt,returnPoints = False)
defects = cv2.convexityDefects(cnt,hull) 值得注意的是：如果要查找凸缺陷，在使用函数 cv2.convexHull 找凸包时，参数returnPoints 一定要是 False。 它会返回一个数组，其中每一行包含的值是 [起点，终点，最远的点，到最远点的近似距离]。我们可以在一张图上显示它，将起点和终点用一条绿线连接，在最远点画一个圆圈，要记住的是返回结果的前三个值是轮廓点的索引。因此我们还要到轮廓点中去找：
import cv2
import numpy as np
img = cv2.imread('22.png')
img_gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(img_gray, 127, 255,0)
image, contours,hierarchy = cv2.findContours(thresh,2,1)
cnt = contours[0]
hull = cv2.convexHull(cnt,returnPoints = False)
defects = cv2.convexityDefects(cnt,hull)
for i in range(defects.shape[0]):
s,e,f,d = defects[i,0]
start = tuple(cnt[s][0])
end = tuple(cnt[e][0])
far = tuple(cnt[f][0])
cv2.line(img,start,end,[0,255,0],2)
cv2.circle(img,far,5,[0,0,255],-1)
cv2.imshow('img',img)
cv2.waitKey(0)
cv2.destroyAllWindows()运行结果：
2、Point Polygon Test
求解图像中的一个点到一个对象轮廓的最短距离。如果点在轮廓的外部，返回值为负。如果在轮廓上，返回值为 0。如果在轮廓内部，返回值为正。下面以点（50， 50）为例：
dist = cv2.pointPolygonTest(cnt,(50,50),True)此函数的第三个参数是 measureDist。如果设置为 True，就会计算最短距离。如果是 False，只会判断这个点与轮廓之间的位置关系（返回值为+1， -1， 0）。 因此，如果不需要知道具体距离，建议将第三个参数设False，这样速度会提高 2 到 3 倍。
3、形状匹配
函数 cv2.matchShape() 可以帮我们比较两个形状或轮廓的相似度。如果返回值越小，匹配越好。它是根据 Hu 矩来计算的。文档中对不同的方法都有解释。
import cv2
import numpy as np
img1 = cv2.imread('22.png',0)
img2 = cv2.imread('11.png',0)
ret, thresh = cv2.threshold(img1, 127, 255,0)
ret2, thresh2 = cv2.threshold(img2, 127, 255,0)
image, contours,hierarchy = cv2.findContours(thresh,2,1)
cnt1 = contours[0]
image2, contours2,hierarchy2 = cv2.findContours(thresh2,2,1)
cnt2 = contours2[0]
ret = cv2.matchShapes(cnt1,cnt2,1,0.0)
print(ret)运行结果：
2.0089771107078076及时发生了旋转对匹配的结果影响也不是非常大，Hu 矩是归一化中心矩的线性组合，之所以这样做是为了能够获取代表图像的某个特征的矩函数，这些矩函数对某些变化如缩放，旋转，镜像映射（除了 h1）具有不变形。
五、轮廓的层次结构
目标——学习轮廓的层次结构，比如轮廓之间的父子关系
使用函数 cv2.findContours 来查找轮廓，需传入一个参数：轮廓提取模式（Contour_Retrieval_Mode）。我们总是把它设置为 cv2.RETR_LIST 或者是 cv2.RETR_TREE，效果还可以，但是它们到底代表什么呢？
同时，得到的结果包含 3 个数组，第一个图像，第二个是轮廓，第三个是层次结构。但是我们从来没有用过层次结构，层次结构是用来干嘛的呢？层次结构与轮廓提取模式有什么关系呢？
1、什么是层次结构？
通常使用函数 cv2.findContours 在图片中查找一个对象。有时对象可能位于不同的位置，还有些情况，一个形状在另外一个形状的内部，这种情况下我们称外部的形状为父，内部的形状为子。按照这种方式分类，一幅图像中的所有轮廓之间就建立父子关系。这样我们就可以确定一个轮廓与其他轮廓是怎样连接的，比如它是不是某个轮廓的子轮廓，或者是父轮廓。这种关系就成为组织结构 。下图就是一个简单的例子 ：
在这幅图像中， 假设这几个形状编号为 0-5。 2 和 2a 分别代表最外边矩形的外轮廓和内轮廓。在这里边轮廓 0， 1， 2 在外部或最外边，我们可以称他们为（组织结构）0 级，简单来说就是他们属于同一级。
接下来轮廓 2a，我们把它当成轮廓 2 的子轮廓。它就成为（组织结构）第1 级，同样轮廓 3 是轮廓 2 的子轮廓，成为（组织结构）第 3 级。最后轮廓4,5 是轮廓 3a 的子轮廓，成为（组织结构）4 级（最后一级）。按照这种方式给这些形状编号，我们可以说轮廓 4 是轮廓 3a 的子轮廓（当然轮廓 5 也是）。
2、OpenCV 中层次结构
不管层次结构是什么样的，每一个轮廓都包含自己的信息：谁是父，谁是子等。 OpenCV 使用一个含有四个元素的数组表示。 [Next， Previous，First_Child， Parent]。
Next 表示同一级组织结构中的下一个轮廓。
以上图中的轮廓 0 为例，轮廓 1 就是他的 Next。同样，轮廓 1 的 Next是 2， Next=2。那轮廓 2 呢？在同一级没有 Next。这时 Next=-1。而轮廓 4 的 Next为 5，所以它的 Next=5。
Previous 表示同一级结构中的前一个轮廓。
与前面一样，轮廓 1 的 Previous 为轮廓 0，轮廓 2 的 Previous 为轮廓 1。轮廓 0 没有 Previous，所以 Previous=-1。
First_Child 表示它的第一个子轮廓。
没有必要再解释了，轮廓 2 的子轮廓为 2a。所以它的First_Child 为2a。那轮廓 3a 呢？它有两个子轮廓。但是我们只要第一个子轮廓，所以是轮廓4（按照从上往下，从左往右的顺序排序）。
Parent 表示它的父轮廓。与 First_Child 刚好相反。轮廓 4 和 5 的父轮廓是轮廓 3a。而轮廓 3a的父轮廓是 3。
如果没有父或子，就为 -1。 现在了解 OpenCV 中的轮廓组织结构后，还是根据上边的图片再学习一下 OpenCV 中的轮廓检索模式：cv2.RETR_LIST，cv2.RETR_TREE，cv2.RETR_CCOMP，cv2.RETR_EXTERNAL
到底代表什么意思？
3、轮廓检索模式
RETR_LIST 从解释的角度来看，这中应是最简单的。它只是提取所有的轮廓，而不去创建任何父子关系。换句话说就是“人人平等”，它们属于同一级组织轮廓。
所以在这种情况下，组织结构数组的第三和第四个数都是 -1。但是，很明显， Next 和 Previous 要有对应的值，你可以自己试着看看。下面就是我得到的结果，每一行是对应轮廓的组织结构细节。例如，第一行对应的是轮廓 0。下一个轮廓为 1，所以 Next=1。前面没有其他轮廓，所以 Previous=0。接下来的两个参数就是 -1，与刚才说的一样。
>>> hierarchy
array([[[ 1, -1, -1, -1],
[ 2, 0, -1, -1],
[ 3, 1, -1, -1],
[ 4, 2, -1, -1],
[ 5, 3, -1, -1],
[ 6, 4, -1, -1],
[ 7, 5, -1, -1],
[-1, 6, -1, -1]]])>>> hierarchy
array([[[ 1, -1, -1, -1],
[ 2, 0, -1, -1],
[-1, 1, -1, -1]]])RETR_CCOMP 在这种模式下会返回所有的轮廓并将轮廓分为两级组织结构。例如，一个对象的外轮廓为第 1 级组织结构。而对象内部中空洞的轮廓为第 2 级组织结构，空洞中的任何对象的轮廓又是第 1 级组织结构。空洞的组织
结构为第 2 级。
想象一下一副黑底白字的图像，图像中是数字 0。 0 的外边界属于第一级组织结构， 0 的内部属于第 2 级组织结构。以下图为例简单介绍一下，其中红色数字为这些轮廓编号，并用绿色数字代表它们的组织结构。顺序与 OpenCV 检测轮廓的顺序一致。
现在我们考虑轮廓 0，它的组织结构为第 1 级。其中有两个空洞 1 和 2，它们属于第 2 级组织结构。所以对于轮廓 0 来说跟他属于同一级组织结构的下一个（Next）是轮廓 3，并且没有 Previous。它的 Fist_Child 为轮廓1，组织结构为 2。由于它是第 1 级，所以没有父轮廓。因此它的组织结构数组为[3， -1， 1， -1]。
轮廓 1，它是第 2 级。处于同一级的下一个轮廓为 2。没有 Previous，也没有 Child，（因为是第 2 级所以有父轮廓）父轮廓是 0。所以数组是[2， -1， -1， 0]。轮廓 2：它是第 2 级。在同一级的组织结构中没有 Next。 Previous 为轮廓 1。没有子，父轮廓为 0，所以数组是 [-1， 1， -1， 0]。
轮廓 3：它是第 1 级。在同一级的组织结构中 Next 为 5。 Previous 为轮廓 0。子为 4，没有父轮廓，所以数组是 [5， 0， 4， -1]。
轮廓 4：它是第 2 级。在同一级的组织结构中没有 Next。没有 Previous，没有子，父轮廓为 3，所以数组是 [-1， -1， -1， 3] 。
下面是得到的答案：
>>> hierarchy
array([[[ 3, -1, 1, -1],
[ 2, -1, -1, 0],
[-1, 1, -1, 0],
[ 5, 0, 4, -1],
[-1, -1, -1, 3],
[ 7, 3, 6, -1],
[-1, -1, -1, 5],
[ 8, 5, -1, -1],
[-1, 7, -1, -1]]])RETR_TREE 终于到最后一个，也是最完美的一个。这种模式下会返回所有轮廓，并且创建一个完整的组织结构列表。它甚至会告诉你谁是爷爷，爸爸，儿子，孙子等。
还是以上图为例，使用这种模式，对 OpenCV 返回的结果重新排序并分析它，红色数字是边界的序号，绿色是组织结构 。
轮廓 0 的组织结构为 0，同一级中 Next 为 7，没有 Previous。子轮廓是 1，没有父轮廓。所以数组是 [7， -1， 1， -1]。
轮廓 1 的组织结构为 1，同一级中没有其他，没有 Previous。子轮廓是2，父轮廓为 0。所以数组是 [-1， -1， 2， 0]。
剩下的自己试试计算一下。下面是结果：
>>> hierarchy
array([[[ 7, -1, 1, -1],
[-1, -1, 2, 0],
[-1, -1, 3, 1],
[-1, -1, 4, 2],
[-1, -1, 5, 3],
[ 6, -1, -1, 4],
[-1, 5, -1, 4],
[ 8, 0, -1, -1],
[-1, 7, -1, -1]]])