findContours函数详细解析

1: image, cnts, hierarchy = cv2.findContours(a,b,c)//寻找图形中的轮廓
传入的参数：
	a:传入的图像（二值化图像）
	b:轮廓的检索模式，一般是检测外轮廓cv2.RETR_EXTERNAL
	c:轮廓的近似方法有两种：（近似都是用近似矩形的方法，c不同的取值只是存储近似矩形的方法不同）
		①CV_CHAIN_APPROX_SIMPLE：
		一般是保留轮廓的终点坐标：近似矩形的左上角顶点坐标以及宽和高（x,y,w,h）：
		②CV_CHAIN_APPROX_NONE：
		存储所有的轮廓点，相邻的两个点的像素位置差不超过1
函数返回值：
	image:处理过的图像（就是原本的图像，findcontous函数不改变你传入的图像）
	cnts：轮廓的点集列表，下文细说
	hierarchy：轮廓的层次结构，下文细说

cnts解析：
cnts代表的是找到的轮廓的点集的集合，它是一个numpy中的列表结构。你也可以把它理解为一个存储着图像中每个轮廓的数组，就像这样：

a = np.size(cnts) //a就是图像中所有轮廓的数量。

cnts[i] //表示拿出图象中第i个轮廓。至于一个图像中那么多轮廓的索引如何规定，那是计算机的事情

只不过这个数组的每个位置存储的是图片中的一小部分图像（因为画一个轮廓只是画了整个图片的一部分，上文提到，画轮廓是以近似矩形的方式画的，然后cnts“数组”中的每个位置存储的就是这样一个被矩形围起来的图像的坐标）。如：

（注意，findContours只是找轮廓，不是画轮廓，画轮廓是drawContours函数，只不过draw函数是以find函数为基础进行画的）
这个图片被画出了10个轮廓，那么cnts的存储情况就是这样：

由图可见，cnts存储了10个“元素”，每个“元素”都是一个轮廓包围的图像的坐标。

hierarchy解析（重要性不如cnts）
hierarchy存储的是轮廓之间的层级关系，hierarchy是一个N*M大小的矩阵，N就是轮廓数量，M固定等于4。如：

[[[ 1 -1 -1 -1] #轮廓0

[ 4 0 2 -1] #轮廓1

[-1 -1 3 1] #轮廓2

[-1 -1 -1 2] #轮廓3

[-1 1 -1 -1]]] #轮廓4

由这段数据可知，这是五个轮廓，每个轮廓都有一个属于自己的层级关系，可以表示为[a,b,c,d]：
a：表示同级轮廓的下个轮廓的编号，如果没用下一个，a=-1

b：表示同级轮廓的上个轮廓的编号，如果没有上一个，b=-1

c：表示该轮廓包含的下一级轮廓的第一个的编号，如果没有，c = -1

d： 表示该轮廓的上一级轮廓的编号，如果没有，d = -1

每个轮廓的编号是计算机分配的（现在个人是这么理解的），分配好之后就可以得出每个轮廓对应的层次矩阵

轮廓0，它的同级下一个的编号为1,第一个参数为1； 因为这一级别的第一个，第二个参数-1；因为不包含子轮廓，所以第三个参数-1；因为处于第一级，其不属于任何别的级别，所以第四个参数为-1

轮廓1，它的同级下一个的编号为4,第一个参数为4； 因为这一级别的上一个的编号为0，第二个参数0；因为包含子轮廓，且子轮廓的第一个编号（当然只包含一个，多个也是同样的道理）为2，所以第三个参数2；因为处于第一级，其不属于任何别的级别，所以第四个参数为-1…之后以此类推

若有错误，欢迎指正