OpenCV-Python开发指南（24）---查找并绘制轮廓

什么是图像轮廓

在前面的边缘检测中，虽然我们能够检测出边缘信息，但边缘是不连续的，检测到的边缘并不是一个整体。而图像的轮廓负责将边缘连接起来形成一个整体，用于后续的计算。

需要特别注意，图像的轮廓是非常重要的一个特征信息，通过对图像轮廓的操作，我们能够获取目标图像的大小，位置以及方向等信息。

查找图像轮廓

图像中一个轮廓对应着一系列的点，这些点以某种形式表示图像中的一条曲线。在OpenCV中，它给我们提供了函数cv2.findContours()用于查找图像的轮廓，并能够根据参数返回特定表示方式的轮廓。

该函数的完整定义如下：

def findContours(image, mode, method, contours=None, hierarchy=None):

image：原始图像，所有非0值处理为1，所有0值保持不变

mode：轮廓检索模式

参数	含义
cv2.RETR_EXTERNAL	只检测外轮廓
cv2.RETR_LIST	对检测到的轮廓不建立等级关系
cv2.RETR_CCOMP	检测所有轮廓并将它们组织成两级层次关系。上层为外边界，下层为内孔边界。如果内孔内还有一个连同物体，那么这个物体的边界仍然位于顶层
cv2.RETR_TREE	建立一个等级树结构轮廓

method：轮廓的近似方法

参数	含义
cv2.CHAIN_APPROX_NONE	存储所有的轮廓点，相邻两个点的像素位置差不超过1
cv2.CHAIN_APPROX_SIMPLE	压缩水平方向，垂直方向，对象线方向的元素，只保留该方向的终点坐标。例如，在极端的情况下，一个矩形只需要用4个点来保存轮廓信息
cv2.CHAIN_APPROX_TC89_L1	使用teh_Chinl chain近似算法的一种风格
cv2.CHAIN_APPROX_TC89_KCOS	使用teh_Chinl chain近似算法的一种风格

contours：返回的轮廓。比如一个图像中有3个不交叉的形状：圆，矩形以及正反向。那么它就是一个长度为3的list，也就是有3个轮廓，contours[i][j]就是第i个轮廓的第j个点。

当然，图像的轮廓并不一定是不交叉的，假如几个形状的轮廓相互交叉，那么就形成了父子关系，contours[i]用4个元素来说明轮廓的层次关系。

1. Next：后一个轮廓的索引编号
2. Previous：前一个轮廓的索引编号
3. First_Child：第一个子轮廓的索引编号
4. Parent：父轮廓的索引编号

如果上面参数都为空，也就是前面讲的各个形状轮廓不交叉的情况。且值为“-1”。

特别注意，轮廓的层次结构是由参数mode决定的，也就是说，使用不同的mode，得到的轮廓编号是不一样的，hierarchy也不一样。

hierarchy：图像的拓扑信息

其返回值为3个参数：image，contours以及hierarchy。而在OpenCV4.X版本中，该函数返回值只有两个：contours，hierarchy。

下面，我们重点讲解参数mode。

参数mode

（1） cv2.RETR_EXTERNAL （只检测外轮廓）

假如我们现在我们图像如上图所示，当我们采用 cv2.RETR_EXTERNAL参数时，hierarchy的拓扑信息为：

[[
[1 -1 -1 -1]
[-1 0 -1 -1]
]]

[1 -1 -1 -1]这4个参数分别对应contours的4个元素。

Next1：也就是表示它后一个轮廓，这里0的后一个轮廓为1

Previous-1：第0个轮廓没有前一个轮廓

First_Child-1：0它不存在子轮廓

Parent-1：0它也不存在父轮廓

[-1 0 -1 -1]对应图像1，意思分别如下：

-1 ：1轮廓不存在下一个轮廓

0：第1个轮廓有前一个0轮廓，所以为0

-1 ：1它不存在子轮廓

-1：1它也不存在父轮廓

其拓扑结构如下：

（2） cv2.RETR_LIST（对检测到的轮廓不建立等级关系）

假设我们使用原图如上所示，那么hierarchy的值为：

[[
[1 -1 -1 -1]
[2 0 -1 -1]
[-1 1 -1 -1]
]]

[1 -1 -1 -1]含义：

1 ：0轮廓的下一个轮廓是1，故返回1

-1：第0个轮廓没有前轮廓，所以为-1

-1 ：0它不存在子轮廓

-1：0它也不存在父轮廓

[2 0 -1 -1]含义：

2：1轮廓的下一个轮廓是2，故返回2

0：第1个轮廓前轮廓为0，所以值为0

-1 ：1它不存在子轮廓

-1：1它也不存在父轮廓

[-1 1 -1 -1]含义：

-1：2轮廓没有下一个轮廓，故返回-1

1：第2个轮廓前轮廓为1，所以值为1

-1 ：2它不存在子轮廓

-1：2它也不存在父轮廓

此关系的拓扑结构为：

（3） cv2.RETR_CCOMP（建立两个等级的轮廓）

当mode参数为 cv2.RETR_CCOMP，原图如上所示，其hierarchy值为：

[[
[1 -1 -1 -1]
[-1 0 2 -1]
[-1 -1 -1 1]
]]

[1 -1 -1 -1]含义如下：

1：0轮廓的下一个轮廓为1，故返回1

-1：第0个轮廓没有前轮廓，所以值为-1

-1 ：0它不存在子轮廓

-1：0它也不存在父轮廓

[-1 0 2 -1]含义如下：

-1：1轮廓没有下一个轮廓，故返回-1

0：第1个轮廓前轮廓为0，所以值为0

2 ：第1个轮廓的子轮廓为2，所以值为2

-1：第1个轮廓它也不存在父轮廓

[-1 -1 -1 1]含义如下：

-1：2轮廓没有下一个轮廓，故返回-1

-1：第2个轮廓前轮廓不存在，所以值为-1

-1：第2个轮廓也不存在子轮廓

1：第2个轮廓父轮廓为1，所以取值为1

其拓扑结构如下：

（4） cv2.RETR_TREE（建立一个等级树结构轮廓）

当图还是（3）图时，其mode取值为 cv2.RETR_TREE，返回的hierarchy的值为：

[[
[1 -1 -1 -1]
[-1 0 2 -1]
[-1 -1 -1 1]
]]

[1 -1 -1 -1]含义如下：

1：0轮廓下一个轮廓为1，故返回1

-1：第0个轮廓前轮廓不存在，所以值为-1

-1：第0个轮廓也不存在子轮廓

-1：第0个轮廓也不存在父轮廓

[-1 0 2 -1]含义如下：

-1：1轮廓没有下一个轮廓，故返回-1

0：第1个轮廓前轮廓为0，所以值为0

2：第1个轮廓存在子轮廓2，所以取值为2

-1：第1个轮廓不存在父轮廓

[-1 -1 -1 1]含义如下：

-1：2轮廓没有下一个轮廓，故返回-1

-1：第2个轮廓没有前轮廓，所以值为-1

-1：第2个轮廓不存在子轮廓

1：第2个轮廓存在父轮廓1，取值为1

拓扑结构也是（3）图。

绘制图像轮廓

在OpenCV中，它给我们提供了cv2.drawContours()来绘制图像轮廓，其完整定义如下：

def drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None):

image：待绘制轮廓的图像

contours：需要绘制的轮廓

contourIdx：需要绘制的边缘索引，-1表示绘制所有，0以及正数表示绘制对应的轮廓。

color：绘制的颜色

thickness：绘制轮廓的画笔，取值为“-1”表示绘制实心轮廓

lineType：绘制轮廓的线型

hierarchy：对应函数cv2.findContours()所输出的层次信息

maxLevel：控制所绘制的轮廓层次的深度，如果值为0表示只绘制第0层

offset：偏移参数，是绘制的轮廓偏移一定的位置

下面，我们来实战绘制图像的轮廓，具体代码如下所示：

import cv2

img = cv2.imread("24.jpg")
cv2.imshow("img", img)
# 转换为灰度图像
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 转换为二值图
ret, binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
# 获取图像的轮廓参数
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

result = cv2.drawContours(img, contours, -1, (0, 0, 255), 5)

cv2.imshow("result", result)
cv2.waitKey()
cv2.destroyAllWindows()

运行之后，效果如下：

不过这种并不是终极目的，我们获取轮廓的目的是将图像分离，也就是我现在向获取这3个轮廓的单一子图怎么办呢？直接上代码吧。

import cv2
import numpy as np

img = cv2.imread("24.jpg")
cv2.imshow("img", img)
# 转换为灰度图像
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 转换为二值图
ret, binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
# 获取图像的轮廓参数
contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

result = []
for i in range(len(contours)):
    temp = np.zeros(img.shape, dtype=np.uint8)
    result.append(temp)
    result[i] = cv2.drawContours(result[i], contours, i, (0, 0, 255), 5)
    cv2.imshow(str(i), result[i])

cv2.waitKey()
cv2.destroyAllWindows()

运行之后，我们就能分离出各个图形了。

图像轮廓结合按位与获取图像前景对象

除了分离纯粹的图像轮廓用于机器学习识别之外，我们还可以获取图像的前景对象。这里，我们只需要更换图像，修改最后几行代码。

具体代码如下所示：

import cv2
import numpy as np

img = cv2.imread("4.jpg")
cv2.imshow("img", img)
# 转换为灰度图像
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 转换为二值图
ret, binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY)
# 获取图像的轮廓参数
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)

mask = np.zeros(img.shape, dtype=np.uint8)
mask = cv2.drawContours(mask, contours, -1, (255, 255, 255), -1)
cv2.imshow("MASK",mask)
result=cv2.bitwise_and(img,mask)
cv2.imshow("result",result)

cv2.waitKey()
cv2.destroyAllWindows()

运行之后，效果如下所示：

最左边的是原始图像

中间的是从原始图像得到的人物实心轮廓

最右边的是提取的前景对象人物