OpenCV findContours函数参数
目录
OpenCV findContours函数参数
python检测外轮廓:
c++轮廓检测：
一、mode取值“CV_RETR_EXTERNAL”，method取值“CV_CHAIN_APPROX_NONE”，即只检测最外层轮廓，并且保存轮廓上所有点：
二、 mode取值“CV_RETR_LIST”，method取值“CV_CHAIN_APPROX_SIMPLE”，即检测所有轮廓，但各轮廓之间彼此独立，不建立等级关系，并且仅保存轮廓上拐点信息：
三、mode取值“CV_RETR_TREE”，method取值“CV_CHAIN_APPROX_NONE”，即检测所有轮廓，轮廓间建立外层、内层的等级关系，并且保存轮廓上所有点。
四、Point()偏移量设置
OpenCV findContours函数参数
轮廓面积：
cv2.contourArea()
1.输入为二值图像，黑色为背景，白色为目标
单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边
缘检测算子处理过的二值图像；
2.该函数会修改原图像，因此若想保留原图像在，则需拷贝一份，在拷贝图里修改。
mode参数
| 参数名称 | 功能 |
| cv2.RETR_EXTERNAL | 只检测外轮廓 |
| cv2.RETR_LIST | 检测的轮廓不建立等级关系，都是同级,不存在父轮廓或内嵌轮廓， |
| cv2.RETR_CCOMP | 建立两个等级的轮廓，上面一层为外边界，里面一层为内孔的边界信息 |
| cv2.RETR_TREE | 建立一个等级树结构的轮廓 |
method参数
| 参数名称 | 功能 |
| cv2.RETR_EXTERNAL | 只检测外轮廓 |
| cv2.RETR_LIST | 检测的轮廓不建立等级关系，都是同级 |
| cv2.RETR_CCOMP | 建立两个等级的轮廓，上面一层为外边界，里面一层为内孔的边界信息 |
| cv2.RETR_TREE | 建立一个等级树结构的轮廓 |
offset:轮廓点的偏移量，格式为tuple,如（-10，10）表示轮廓点沿X负方向偏移10个像素点，沿Y正方向偏移10个像素点
返回值
contours:轮廓点。列表格式，每一个元素为一个3维数组（其形状为（n,1,2），其中n表示轮廓点个数，2表示像素点坐标）,表示一个轮廓
hierarchy:轮廓间的层次关系,为三维数组，形状为（1,n,4），其中n表示轮廓总个数，4指的是用4个数表示各轮廓间的相互关系。第一个数表示同级轮廓的下一个轮廓编号，第二个数表示同级轮廓的上一个轮廓的编号，第三个数表示该轮廓下一级轮廓的编号，第四个数表示该轮廓的上一级轮廓的编号。
# ## -*- coding: utf-8 -*-
import cv2
import imutils
import numpy as np
def RGB_GRAY(img):
img = cv2.resize(img, (640, 480))
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = cv2.bilateralFilter(gray, 13, 15, 15)
return img, gray
def edge(img):
# cv2.Canny（source_image，thresholdValue 1，thresholdValue 2）
edged = cv2.Canny(img, 30, 200)
cv2.imshow('img', edged)
cv2.waitKey(0)
contours = cv2.findContours(edged.copy(), cv2.RETR_TREE,
cv2.CHAIN_APPROX_SIMPLE)
contours = imutils.grab_contours(contours)
contours = sorted(contours, key=cv2.contourArea, reverse=True)[:10]
return contours
def solve(img):
img, gray = RGB_GRAY(img)
contours = edge(gray)
if __name__ == '__main__':
img_path = './22222.jpg'
img = cv2.imread(img_path)
solve(img)
取值三：CV_RETR_CCOMP 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围
内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层
取值四：CV_RETR_TREE， 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内
层轮廓还可以继续包含内嵌轮廓。
第五个参数：int型的method，定义轮廓的近似方法：
取值一：CV_CHAIN_APPROX_NONE 保存物体边界上所有连续的轮廓点到contours向量内
取值二：CV_CHAIN_APPROX_SIMPLE 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours
向量内，拐点与拐点之间直线段上的信息点不予保留
取值三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近
似算法
第六个参数：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加
上该偏移量，并且Point还可以是负值！
下边用效果图对比一下findContours函数中各参数取不同值时，向量contours和hierarchy的内容如何变化，有何
异同。
python检测外轮廓:
这个可以检测水平轮廓：
cnts, hierarchy = cv2.findContours(imgray.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)检测不到水平轮廓：
cnts,hierarchy = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)import cv2
import numpy as np
# 读入图像
img = cv2.imread(r"D:\360MoveData\Users\KID\Desktop\1.jpg", cv2.IMREAD_UNCHANGED)
# 二值化
ret, thresh = cv2.threshold(
cv2.cvtColor(img.copy(), cv2.COLOR_BGR2GRAY), # 转换为灰度图像,
130, 255, # 大于130的改为255 否则改为0
cv2.THRESH_BINARY) # 黑白二值化
# 搜索轮廓
contours, hierarchy = cv2.findContours( thresh,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)
for c in contours:
x, y, w, h = cv2.boundingRect(c)
"""
传入一个轮廓图像，返回 x y 是左上角的点， w和h是矩形边框的宽度和高度
"""
cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)
"""
画出矩形
img 是要画出轮廓的原图
(x, y) 是左上角点的坐标
(x+w, y+h) 是右下角的坐标
0,255,0）是画线对应的rgb颜色
2 是画出线的宽度
"""
# 获得最小的矩形轮廓 可能带旋转角度
rect = cv2.minAreaRect(c)
# 计算最小区域的坐标
box = cv2.boxPoints(rect)
# 坐标规范化为整数
box = np.int0(box)
# 画出轮廓
cv2.drawContours(img, [box], 0, (0, 0, 255), 3)
# 计算最小封闭圆形的中心和半径
(x, y), radius = cv2.minEnclosingCircle(c)
# 转换成整数
center = (int(x), int(y))
radius = int(radius)
# 画出圆形
img = cv2.circle(img, center, radius, (0, 255, 0), 2)
# 画出轮廓
cv2.drawContours(img, contours, -1, (255, 0, 0), 1)
cv2.imshow("contours", img)
cv2.waitKey()
cv2.destroyAllWindows()c++轮廓检测：
#include "core/core.hpp"
#include "highgui/highgui.hpp"
#include "imgproc/imgproc.hpp"
#include "iostream"
using namespace std;
using namespace cv;
int main(int argc,char *argv[])
{
Mat imageSource=imread(argv[1],0);
imshow("Source Image",imageSource);
Mat image;
GaussianBlur(imageSource,image,Size(3,3),0);
Canny(image,image,100,250);
vector> contours;
vector hierarchy;
findContours(image,contours,hierarchy,RETR_TREE,CHAIN_APPROX_SIMPLE,Point());
Mat imageContours=Mat::zeros(image.size(),CV_8UC1);
Mat Contours=Mat::zeros(image.size(),CV_8UC1); //绘制
for(int i=0;i(P)=255;
}
//输出hierarchy向量内容
char ch[256];
sprintf(ch,"%d",i);
string str=ch;
cout<<"向量hierarchy的第" < 程序中所用原始图像如下：
通过调整第四个参数mode——轮廓的检索模式、第五个参数method——轮廓的近似方式和不同的偏移量Point()，就可以得到以下效果。
一、mode取值“CV_RETR_EXTERNAL”，method取值“CV_CHAIN_APPROX_NONE”，即只检测最外层轮廓，并且保存轮廓上所有点：
轮廓：
只有最外层的轮廓被检测到，内层的轮廓被忽略
contours向量内所有点集：
保存了所有轮廓上的所有点，图像表现跟轮廓一致
hierarchy向量：
重温一下hierarchy向量————向量中每个元素的4个整形分别对应当前轮廓的后一个轮廓、前一个轮廓、父轮廓、内
嵌轮廓的索引编号。
本次参数配置下，hierarchy向量内有3个元素，分别对应于3个轮廓。以第2个轮廓（对应向量内第1个元素）为例，
内容为[2,0,-1,-1], “2”表示当前轮廓的后一个轮廓的编号为2，“0”表示当前轮廓的前一个轮廓编号为0，其后2
个“-1”表示为空，因为只有最外层轮廓这一个等级，所以不存在父轮廓和内嵌轮廓。
二、 mode取值“CV_RETR_LIST”，method取值“CV_CHAIN_APPROX_SIMPLE”，即检测所有轮廓，但各轮廓之间彼此独立，不建立等级关系，并且仅保存轮廓上拐点信息：
检测到的轮廓跟上文“一”中是一致的，不再显示。
contours向量内所有点集：
contours向量中所有的拐点信息得到了保留，但是拐点与拐点之间直线段的部分省略掉了。
hierarchy向量（截取一部分）：
本次参数配置下，检测出了较多轮廓。第1、第2个整形值分别指向上一个和下一个轮廓编号，由于本次配置mode取
值“RETR_LIST”，各轮廓间各自独立，不建立等级关系，所以第3、第4个整形参数为空，设为值-1。
三、mode取值“CV_RETR_TREE”，method取值“CV_CHAIN_APPROX_NONE”，即检测所有轮廓，轮廓间建立外层、内层的等级关系，并且保存轮廓上所有点。
contours向量内所有点集：
所有内外层轮廓都被检测到，contours点集组成的图形跟轮廓表现一致。
hierarchy向量（截取一部分）
本次参数配置要求检测所有轮廓，每个轮廓都被划分等级，最外围、第一内围、第二内围等等，所以除第1个最后一
个轮廓外，其他轮廓都具有不为-1的第3、第4个整形参数，分别指向当前轮廓的父轮廓、内嵌轮廓索引编号。
四、Point()偏移量设置
使用三中的参数配置，设置偏移量Point为Point（45,30）。
此时轮廓图像为：
可以看到轮廓图像整体向右下角有一个偏转，偏转量就是设置的（45,30）。
这个偏移量的设置不能过大或过小（负方向上的过小），若图像上任一点加上该偏移量后超出图像边界，程序会内存
溢出报错。
findContours函数的各参数就探讨到此，其他参数配置的情况大同小异。值得关注一下的是绘制轮廓的函数
drawContours中最后一个参数是一个Point类型的offset，这个offset跟findContours函数中的offset含义一致，设置之
后所绘制的轮廓是原始轮廓上所有像素点加上该偏移量offset后的效果。
当所分析图像是另外一个图像的ROI的时候，这个offset偏移量就可以大显身手了。通过加减这个偏移量，就可以把
ROI图像的检测结果投影到原始图像对应位置上。