OpenCV基础入门4：轮廓检测与模板匹配

一、轮廓检测基础

1.1 什么是轮廓？

轮廓可以简单理解为连续的点组成的曲线，这些点具有相同的颜色或灰度值。在计算机视觉中，轮廓是形状分析和物体检测与识别的关键基础。通过轮廓分析，我们可以识别物体的形状、计算其面积和周长，并进行进一步的图像处理。

1.2 核心API：cv2.findContours()

image, contours, hierarchy = cv2.findContours(img, mode, method)

参数详解：

mode（检索模式）对比：

method（近似方法）对比：

返回值说明：

• image：处理后的原图
• contours：所有轮廓的列表，每个轮廓以numpy数组存储边界点坐标
• hierarchy：轮廓层次结构 [Next, Previous, First Child, Parent]

1.3 完整示例：轮廓检测与绘制

在绘制轮廓之前，我们先了解 cv2.drawContours() 函数的详细参数：

cv2.drawContours(image, contours, contourIdx, color, thickness=None,
lineType=None, hierarchy=None, maxLevel=None, offset=None)

参数详解：

完整示例代码：

import cv2

# 1. 读取图片并转为灰度图
phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)

# 2. 二值化处理（关键步骤！）
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)

# 3. 检测轮廓
contours = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[–2]
print(f"检测到 {len(contours)} 个轮廓")

# 4. 绘制轮廓
image_copy = phone.copy()
cv2.drawContours(
image=image_copy,
contours=contours,
contourIdx=–1, # -1 表示绘制所有轮廓
color=(0, 255, 0), # BGR格式，绿色
thickness=2
)
cv2.imshow('Contours', image_copy)
cv2.waitKey(0)

二、轮廓特征分析

2.1 轮廓面积与周长

# 计算面积
area = cv2.contourArea(contours[0])
print(f"面积: {area}")

# 计算周长（closed=True 表示闭合）
perimeter = cv2.arcLength(contours[0], closed=True)
print(f"周长: {perimeter}")

2.2 根据面积筛选轮廓

# 筛选面积大于10000的轮廓
large_contours = []
for c in contours:
if cv2.contourArea(c) > 10000:
large_contours.append(c)

# 按面积排序，取最大的
sorted_contours = sorted(contours, key=cv2.contourArea, reverse=True)
largest_contour = sorted_contours[0]

2.3 外接矩形与最小外接圆

cnt = contours[6] # 取第7个轮廓

# 外接矩形
x, y, w, h = cv2.boundingRect(cnt)
cv2.rectangle(phone, (x, y), (x+w, y+h), (0, 255, 0), 2)

# 最小外接圆
(x, y), radius = cv2.minEnclosingCircle(cnt)
cv2.circle(phone, (int(x), int(y)), int(radius), (0, 255, 0), 2)

三、轮廓近似

轮廓近似是多边形拟合的过程，用更少的点来表示轮廓，对于形状识别和压缩非常有用。

3.1 核心API：cv2.approxPolyDP()

approx = cv2.approxPolyDP(curve, epsilon, closed)

参数说明：

• curve：输入轮廓
• epsilon：近似精度（越小越接近原轮廓，越大越粗糙）
• closed：是否闭合

3.2 完整示例

import cv2

phone = cv2.imread('phone.png')
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
ret, phone_thresh = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)
contours = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[–2]

# epsilon = 0.0001 * 轮廓周长（精度非常高）
epsilon = 0.0001 * cv2.arcLength(contours[0], True)
approx = cv2.approxPolyDP(contours[0], epsilon, True)

print(f"原始轮廓点数: {contours[0].shape}")
print(f"近似后轮廓点数: {approx.shape}")

# 绘制近似轮廓（绿色）
phone_new = phone.copy()
cv2.drawContours(phone_new, [approx], –1, (0, 255, 0), 3)
cv2.imshow('Approx', phone_new)
cv2.waitKey(0)

四、实战案例：花朵轮廓检测与近似

4.1 作业要求

给定图片 hua.png，在同一窗口内完成：

• 用红色画出花的外部轮廓
• 用绿色画出其近似轮廓（ε = 0.005 × 周长）

4.2 代码实现

import cv2

# 读取并转为灰度图
hua = cv2.imread('hua.png')
hua_gray = cv2.cvtColor(hua, cv2.COLOR_BGR2GRAY)

# 二值化处理（注意使用 THRESH_TOZERO_INV）
ret, hua_binary = cv2.threshold(hua_gray, 240, 255, cv2.THRESH_TOZERO_INV)
cv2.imshow('Binary', hua_binary)
cv2.waitKey(0)

# 轮廓检测（只检测外轮廓）
contours = cv2.findContours(hua_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)[–2]
print(f"检测到 {len(contours)} 个轮廓")

# 近似处理
epsilon = 0.005 * cv2.arcLength(contours[0], True)
approx = cv2.approxPolyDP(contours[0], epsilon, True)

# 绘制结果
image_copy = hua.copy()
cv2.drawContours(image_copy, contours, –1, (0, 0, 255), 2) # 红色 – 原始轮廓
cv2.drawContours(image_copy, [approx], –1, (0, 255, 0), 3) # 绿色 – 近似轮廓

cv2.imshow('Final Result', image_copy)
cv2.waitKey(0)
cv2.destroyAllWindows()

五、模板匹配

模板匹配是一种在图像中寻找与模板最相似区域的技术。

5.1 核心API：cv2.matchTemplate()

result = cv2.matchTemplate(image, templ, method)

匹配方法对比：
TM_SQDIFF_NORMED：归一化平方差匹配法，匹配越好，值越小;匹配越差，值越大。
TM_CCORR_NORMED ：归一化相关匹配法，数值越大表明匹配程度越好。
TM_CCOEFF_NORMED ：归一化相关系数匹配法，数值越大表明匹配程度越好。

5.2 完整示例

import cv2

kele = cv2.imread('kele.png')
template = cv2.imread('template.png')
h, w = template.shape[:2]

# 模板匹配（使用归一化相关系数）
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)

# 获取最佳匹配位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)
top_left = max_loc
bottom_right = (top_left[0] + w, top_left[1] + h)

# 绘制矩形框
cv2.rectangle(kele, top_left, bottom_right, (0, 255, 0), 2)
cv2.imshow('Result', kele)
cv2.waitKey(0)

六、物体追踪（实时）

基于CSRT追踪器的实时物体追踪示例：

import cv2

# 创建CSRT追踪器
track = cv2.TrackerCSRT_create()
tracking = False

cap = cv2.VideoCapture(0)

while True:
ret, frame = cap.read()
frame = cv2.flip(frame, 1) # 水平翻转，更自然

if not ret:
break

# 按 's' 键选择追踪目标
if cv2.waitKey(1) == ord('s'):
tracking = True
roi = cv2.selectROI('Tracking', frame, showCrosshair=False)
track.init(frame, roi)

if tracking:
success, box = track.update(frame)
if success:
x, y, w, h = [int(v) for v in box]
cv2.rectangle(frame, (x, y), (x+w, y+h), (0, 255, 0), 2)

cv2.imshow('Tracking', frame)

if cv2.waitKey(1) == ord('q'):
break

cap.release()
cv2.destroyAllWindows()

七、总结

本文详细介绍了OpenCV中轮廓检测与模板匹配的核心技术，包括：

这些技术是计算机视觉和图像处理的基础，广泛应用于物体识别、形状分析、目标跟踪等领域。建议读者结合实际项目多加练习，深入理解每个参数的含义和适用场景。