opencv-python图像处理 ---图像轮廓检测与代码实现
一·、轮廓检测
边缘检测虽然能够检测边缘，但是其边缘并不是连续的，图像轮廓用于检测一个整体，来用于后续进行其他处理。opencv提供了两个函数来完成这些操作：
findContours():该函数可以查找轮廓
drawContours():绘制轮廓
轮廓与边缘的区别在于：轮廓是一条完整、连续的边缘。轮廓上的像素点表示实际图像中的连续曲线–即物体的外形轮廓。
函数的具体用法：
contours, hierarchy = cv2.findContours(img, mode=, method=)
传入参数说明：
img : 传入图像
mode: 轮廓的检索模式，其具体参数如下：
RETR_EXTERNAL:只检索最外面的轮廓
RETR_LIST:检索所有轮廓，并将其保存到一条链表中
.最简单的轮廓建立方式，不保存其父子关系。
此时的hierarchy中 Fist_Child、Parent的值均为-1存储。
RETR_CCOMP:检索所有轮廓，并将它们组织为两层，顶层为各部分的外部边界，第二层为空洞的边界；
RETR_TREE:检索所有的轮廓，并重构嵌套轮廓的整个层次；比较常用
method : 轮廓逼近方法 其参数如下：
CHAIN_APPROX_NONE:以Freeman链码的方式输出轮廓，所有其他方式输出多边形（顶点的序列).
CHAIN_APPROX_SIMPLE:压缩水平的、垂直的和斜的部分，函数只保留终点部分
等等
返回参数说明：
contours：该返回值返回的是一组轮廓信息，每个轮廓由若干个点组成。其类型为list，因此可以使用索引来寻找第i个轮廓上的第i个点。存储在该变量内的每个元素的类型为ndarray类型。获取轮廓的个数可以使用：
len(contours)
获取每个轮廓的点数使用：
len(contours[想要索引的第i个元素]
使用.shape获取每个轮廓的属性
hierarchy ：图像内的轮廓可能存在包含关系，这样就形成了父子轮廓。一般被包围的轮廓称为父轮廓，其内部的轮廓称为子轮廓。
每个轮廓都有四个元素来说明其关系，其思想可以参照二叉树的思想。形式为：
[
Next:后一个轮廓编号
Previous：前一个轮廓索引
Fist_Child: 第一个子轮廓编号
Parent: 父轮廓索引编号
]
二、代码实现
1、 代码如下：
为了更高的准确率，使用二值图像：
def f_contours():
img = cv.imread("cup.jpg")
# draw会改变原图，这里做一个备份
img_copy = img.copy()
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(gray, 128, 255, cv.THRESH_BINARY)
cv_show(thresh)
# 这个函数只支持接收单颜色通道图像，否则报错
contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
print(len(contours))
result = cv.drawContours(img_copy, contours, -1, (0, 0, 255), 2)
cv_show(result)
关于自己实现可能出现的报错：
error: (-210:Unsupported format or combination of formats) [Start]FindContours supports only CV_8UC1 images
解释为findContours函数只支持接受cv_8UC1格式的图片，含义为8表示一个像素点存储空间大小为8bit，U表示数据时无符号整型， C表示颜色通道，那么C1就表示颜色通道数为1，记得这里使用灰度图喔！
代码效果如下：
2、计算轮廓的特征
轮廓几何特征:
# 面积 cnt代表想要计算的当前轮廓，可以使用cnt = contours[i]来索引
cv2.contourArea(cnt)
# 周长 True表示闭合
cv2.arcLength(cnt, True)
轮廓近似：有些时候整体轮廓为矩形，但是轮廓边界有一些线条毛刺，想要规则的轮廓的话，可以使用轮廓近似。
其思想就是将细微曲线使用直线来进行近似，对于曲线上面的点，可以测量其距离两端组成直线的距离，然后通过设置一个合理的阈值，小于阈值距离的点，就可以近似为端点构成的直线上的点。当距离大于阈值时，就可以连接两端点构成两条直线，然后看中间的点能不能用这两条直线来代替。
代码如下：
def f_contours():
"""
轮廓查找与绘制
:return:
"""
# 临时用画板画了一张下面的图片演示边界
img = cv.imread("kk.png")
# draw会改变原图，这里做一个备份
img_copy = img
draw_img = img.copy()
# 转化呢灰度图
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
# 阈值二值化处理
ret, thresh = cv.threshold(gray, 100, 255, cv.THRESH_BINARY)
cv_show(thresh)
# 这个函数只支持接收单颜色通道图像，否则报错
contours, hierarchy = cv.findContours(thresh, cv.RETR_TREE, cv.CHAIN_APPROX_NONE)
print(len(contours))
result = cv.drawContours(img_copy, contours, -1, (0, 0, 255), 2)
cv_show(result)
cnt = contours[1]
# 该出的0.1为可调参数，参数越小，边界细节越多
epsilon = 0.1*cv.arcLength(cnt, True)
approx = cv.approxPolyDP(cnt, epsilon, True)
result1 = cv.drawContours(draw_img, [approx], -1, (0, 0, 255), 2)
cv_show(result1)
效果如下图：
0.1参数下的边界图，可以把这个参数理解为学习率或者步长类似的概念：
步长越大跨度越大，原来的边界都被直线代替。
