尧图网页设计 
简介轮廓提取在图像分析与目标检测中应用广泛。这份PDF系统讲解OpenCV的轮廓提取功能先说明轮廓可理解为有序点集再从findContours函数入手逐个解释image、contours、hierarchy、mode、method、offset等参数图像通常采用Canny处理后的二值图轮廓结果保存在双重向量中层级关系用于描述轮廓嵌套检索模式包括外围、列表、双层级、树状四种近似方法可选择保留全部点或仅保留拐点。随后对drawContours的绘制图像、轮廓索引、颜色、线宽、线型以及层级级别等参数作对应说明并配有带滑动条调节阈值的C示例便于读者直观验证。资源共1个PDF文件大小约95KB虽体量较小但参数讲解完整、示例可直接参考适合OpenCV初学者快速理解轮廓提取流程也适合开发者在需要查阅API细节时作为便携手册。对于刚接触图像处理的人来说这份资料能省去翻查文档的麻烦。目前已有2255人学习足见其参考价值。1. 轮廓提取到底在做什么如何把一张图变成一串坐标点做视觉定位时第一个动作往往不是识别而是把目标从背景里“抠”出来。Opencv 的轮廓提取功能就是干这个的它把图像里灰度或颜色连续的区域转成一组有序坐标点后续测量、计数、抓取定位全靠这串点。它是 opencv 图像处理项目里出场率最高的基本功OCR 切字、缺陷定位、机器人抓取底层都离不开这一步。很多人以为轮廓提取等于边缘检测实际不是。边缘是像素级的梯度响应轮廓是对象级的闭合边界——两者有关联但用途完全不同。这篇按我自己的落地路径来写先讲预处理选型再讲 findContours 的参数然后讲面积和层级筛选最后是避坑。照着跑一遍你手里的图就能变成一串可用的坐标点。这套内容适合刚接触 Opencv、想快速把轮廓用进项目的工程师也适合被轮廓数量、坐标顺序、版本差异折磨过的熟手。我不会只贴代码每个参数我都会解释为什么这么设。2. 预处理选型为什么轮廓提取前总要先过二值化或 Canny 这一关findContours 的输入不是彩色原图而是 8 位单通道二值图。这意味着轮廓提取之前图像必须被“降维”成黑白分明的区域。很多项目跑不出轮廓问题不在 findContours而在前面这一步没做对。预处理的目标很简单让目标和背景变成两个不相连的连通域。常见的预处理链条是灰度化 → 去噪 → 二值化 → 形态学修正。下面几个小节我会拆开讲每步都给出可直接替换的代码和参数理由。2.1 灰度化与噪声的连带影响彩色图里每个像素有 BGR 三个通道直接做阈值分割会被颜色干扰。灰度化把三个通道压成一个亮度值轮廓信息基本保留计算量却小很多。噪声则会让二值图产生大量孤立白点这些点后来都会变成“伪轮廓”所以去噪也要在二值化之前做。import cv2 img cv2.imread(part.png) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur cv2.GaussianBlur(gray, (5, 5), 0)这段代码里高斯模糊的核是 (5, 5)标准差写 0表示让 OpenCV 根据核大小自动算。核越大去噪越强但边缘也会越糊。我的经验是 3×3 到 7×7 之间够用如果目标边缘本身就模糊宁可用 3×3把去噪交给后面的形态学。灰度化还有一种常见做法是按通道拆分比如用 HSV 的 V 通道或某一单通道做后续处理。某些颜色差异大但亮度接近的场景RGB 灰度效果很差这时可以试一下分离通道后各自二值化再合并。只是大多数项目用 cvtColor 就够了。2.2 阈值分割THRESH_BINARY 与 THRESH_BINARY_INV 怎么选二值化最直接的方法是固定阈值。OTSU 大津法不指定阈值而是根据灰度直方图自动算一个最佳分割点适合目标和背景亮度差异明显的图。注意OTSU 的结果是“白底黑字”还是“黑底白字”取决于你的用图不是你想当然的“目标一定是白色”。ret, binary cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) ret2, binary_inv cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU)THRESH_BINARY 的规则是像素大于阈值置 255小于置 0THRESH_BINARY_INV 刚好反过来。如果背景是亮的、零件是暗的用 INV 版本背景暗零件亮用普通 BINARY。判断方法很笨但有效跑完看二值图里白色占比白色占了大半多半就是反了。对于光照不均匀的图固定阈值和 OTSU 都容易翻车。另一个常见做法是使用自适应阈值adaptive cv2.adaptiveThreshold( blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2 )最后一个参数 2 是常数 C表示阈值取邻域均值后减去的值。C 越大能选中的暗像素越少。这种方法的代价是可能把平滑渐变区域拆碎后续需要更多形态学处理。2.3 Canny 边缘检测当背景不均匀时换条路走光照不均匀、目标纹理复杂时阈值分割很难一次出干净结果。Canny 是另一条常用路线它输出一张边缘二值图然后同样交给 findContours。Canny 不看绝对灰度只看梯度变化所以对光照渐变有更好的容忍度。edges cv2.Canny(blur, 50, 150) contours, hierarchy cv2.findContours( edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE )Canny 的两个阈值分别是低阈值和高阈值。像素梯度超过高阈值判定为强边缘低于低阈值直接丢弃位于两者之间的只有和强边缘相连才保留。高低比值一般取 1:2 到 1:3比如 (50, 150) 或 (30, 90)。很多人以为低阈值越小越好其实不是。低阈值太小纹理噪声会把边缘连成一片太大弱边缘被切断后面 get 到的轮廓是碎的。调参的时候先固定比值只动低阈值观察边缘是否闭合。Canny 输出的边缘通常只有 1 像素宽直接 findContours 可能会得到大量细小轮廓所以后面往往要加一次膨胀或闭运算。2.4 形态学收尾闭运算补缺口、开运算断毛刺二值化之后目标内部可能出现孔洞边缘可能出现毛刺。形态学运算是轮廓提取前最后一步修正。闭运算是先膨胀再腐蚀能填平小孔和缺口开运算是先腐蚀再膨胀能断开细小的连接、去掉孤立白点。kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel, iterations2) opened cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel, iterations1)kernel 选择 MORPH_RECT 还是 MORPH_ELLIPSE取决于目标形状。矩形核速度快但容易把原本圆润的角也磨方椭圆核对弧形目标更友好。iterations 是个容易贪的参数闭运算做多了会把相邻的两个目标“焊”在一起开运算做多了会把小目标整个腐蚀掉。我一般从 1 次开始最多加到 3 次再多就要检查是不是预处理环节选错了。这里还要提一句threshold 之后先做闭再做开还是先开再闭效果不一样。先闭补洞再开断连通常比反着来稳。如果你发现目标边框被背景干扰可以先开运算把背景碎点去掉再闭运算补目标缺口顺序按图微调即可。3. findContours 与 drawContours核心参数怎么设才不算白写预处理完成二值图里目标已经是清晰的连通域下一步就是用 findContours 把边界提取出来。这函数名字听起来简单坑却不少返回几个值、轮廓嵌套怎么处理、坐标点为什么形状不对。这一章把参数讲透再给一个最小可运行示例抄完就能在本地画出来。3.1 轮廓检索模式与近似方式RETR_TREE 与 CHAIN_APPROX_SIMPLE 如何影响结果findContours 第二参数是检索模式决定拿回哪些轮廓以及它们之间的层级关系。常用有四种模式行为典型用途RETR_EXTERNAL只返回最外层轮廓目标计数、外框定位RETR_LIST返回所有轮廓不建立层级简单筛选场景RETR_CCOMP两层结构外层和内层孔洞字符内外轮廓RETR_TREE返回所有轮廓和完整层级树嵌套目标、孔洞分析如果只需要“图里有哪些东西”优先用 RETR_EXTERNAL结果最少、干扰最小。如果还要判断目标内部有没有孔洞比如识别螺母的六角孔就要用 RETR_TREE。RETR_LIST 适合不在乎层级、想自己按面积定去留的场合代码简单但后续筛选负担大。第三参数是轮廓近似方式。CHAIN_APPROX_NONE 会保留边界上每一个像素点精度最高但数据量巨大CHAIN_APPROX_SIMPLE 会把水平、垂直、对角方向的冗余点压缩掉只保留端点比如一个矩形只存 4 个点。绝大多数项目用 CHAIN_APPROX_SIMPLE 就够画出来是直线连接后的效果测量尺寸时要注意它略去了曲线细节。还有一种 CHAIN_APPROX_TC89_L1 和 TC89_KD是 Teh-Chin 链码近似算法压缩率更高但对噪点敏感处理工业零件外轮廓时我一般不优先用。轮廓提取追求的是“少而准”不是越少越好。3.2 OpenCV 版本差异findContours 返回几个值这是老生常谈但依然有人踩的坑。OpenCV 3.x 及更早版本里findContours 返回三个值image、contours、hierarchyOpenCV 4.x 起返回两个值contours、hierarchy。如果你在 4.x 环境下按旧写法解包第一行就直接崩掉。if cv2.__version__.startswith(4.): contours, hierarchy cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) else: _, contours, hierarchy cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE )跨版本兼容代码并不复杂关键是要在生产项目里养成习惯。安装 opencv 时最简单的是 pip install opencv-python它会带主版本号和常用模块如果你用的是 conda 环境注意别装进另一个虚拟环境里后面避坑章我还会细说。在树莓派这类设备上在线安装速度慢有人选择自行编译 opencv这个动作不便宜编译半小时起步且版本接口和老代码往往对不上。我通常能用预编译包就不用源码编译。3.3 最小可运行示例从读图到画出全部轮廓下面的代码覆盖了读图、预处理、找轮廓、画轮廓的完整链路你可以直接复制到新文件里跑。import cv2 import numpy as np img cv2.imread(sample.png) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur cv2.GaussianBlur(gray, (5, 5), 0) _, binary cv2.threshold( blur, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU ) contours, hierarchy cv2.findContours( binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE ) # 画在黑色背景上便于观察轮廓本身 canvas np.zeros_like(img) cv2.drawContours(canvas, contours, -1, (0, 0, 255), 2) cv2.imshow(contours, canvas) cv2.waitKey(0) cv2.destroyAllWindows() print(f轮廓数量: {len(contours)})drawContours 的第三个参数传 -1表示把 contours 列表里所有轮廓都画出来如果要画某一个就传对应索引。第四个参数是画图颜色第五个参数 thickness 是线宽传 2 或 3 便于观察。如果传负数比如 -1会把轮廓围起来的区域填充成指定颜色适合生成遮罩。跑完这段代码你会看到每个连通域都被红色边界包起来。轮廓数量 print 出来可能比你预想的多别急着改参数先看一眼是不是预处理把噪点也算进去了。这一步的验证习惯会影响后面所有筛选逻辑。4. 让轮廓变得有用面积过滤、外接矩形与层级筛选拿到轮廓列表只是第一步实际项目里真正要的是“哪个轮廓是目标、目标在哪、多大、几个”。这一章解决三件事用面积和周长过滤噪声用外接矩形定位目标用层级关系区分物体和孔洞。4.1 有效测量contourArea 与 arcLength 的精度问题cv2.contourArea 计算闭合轮廓面积cv2.arcLength 计算轮廓周长。两者都支持传入点集但需要注意面积结果是浮点数单位是像素如果图像经过了缩放面积要按缩放系数的平方换算。很多项目直接拿像素当毫米不做标定出来的尺寸误差会很大。area cv2.contourArea(contour) perimeter cv2.arcLength(contour, True)arcLength 的第二个参数是 closed传 True 表示把轮廓当作闭合曲线计算周长传 False 则按开放曲线算。轮廓提取拿到的边界一般是闭合的所以传 True。面积和周长最常用的场景是过滤小于某个像素阈值的轮廓直接丢弃这比在 drawContours 里一个个看效率高得多。精度上有个坑CHAIN_APPROX_SIMPLE 保存的是压缩后的关键点计算出的面积与真实面积存在偏差。目标越小偏差占比越大。如果要做高精度测量可以改用 CHAIN_APPROX_NONE 获取完整点集或者把二值图放大再做测量。我一般先用 SIMPLE 筛选再对候选目标重新用原始边缘计算面积。4.2 boundingRect 与 minAreaRect轴对齐和旋转件的不同方案定位目标位置最常用的是 boundingRect返回 (x, y, w, h)即外接矩形的左上角、宽和高。它始终和图像坐标轴对齐适合零件姿态比较正的场景。配合面积过滤一段常见的筛选代码长这样for idx, cnt in enumerate(contours): area cv2.contourArea(cnt) if area 100: continue x, y, w, h cv2.boundingRect(cnt) cv2.rectangle(img, (x, y), (x w, y h), (0, 255, 0), 2)面积阈值 100 是经验值按实际图里最小目标的像素大小来调。如果目标可能被拍摄成倾斜角度boundingRect 会把背景也算进来这时候要用 minAreaRect它返回带角度的最小外接矩形rect cv2.minAreaRect(cnt) box cv2.boxPoints(rect) box np.int0(box) cv2.polylines(img, [box], True, (255, 0, 0), 2)rect 包含 (center_x, center_y), (width, height), angle 三项。画图时不要自己拿 angle 旋转矩形容易画错直接用 cv2.boxPoints 转成角点坐标再用 polylines 画。旋转矩形的宽高虽然有对应关系但角度定义在不同 OpenCV 版本里表现不一致拿来做数值判断前先画出来确认。4.3 RETR_TREE 层级过滤只留最外层、丢掉孔洞如果目标内部有文字或孔洞RETR_LIST 会把内轮廓也当成独立目标计数就会多。这时候要用 RETR_TREE 拿层级信息。hierarchy 的形状是 (1, N, 4)每个轮廓对应四个值next、previous、child、parent。最外层轮廓的 parent 为 -1孔洞的 parent 指向它的外层轮廓。contours, hierarchy cv2.findContours( binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE ) outer [] for i, cnt in enumerate(contours): parent hierarchy[0][i][3] if parent -1: outer.append(cnt)这个循环只保留没有父轮廓的最外层目标效果等价于 RETR_EXTERNAL但它的好处是你能同时拿到内外关系后面如果要做孔洞数量统计可以进一步遍历 child。层级过滤和面积过滤可以串联使用先按面积把碎点甩掉再按 parent 把孔洞排除。两种过滤别只留一种面积能挡住噪声层级能挡住嵌套。5. 轮廓提取的避坑指南五个让我翻车的真实细节前面把主流程讲完了这一章集中写我实践里真正踩过的坑。每一个都按现象、原因、解决三段来你在项目里遇到相同问题可以直接对照定位。轮廓提取不是“跑通就完”参数和输入变了结果会差很多。5.1 二值图反了轮廓画在了背景上现象findContours 找到的轮廓数量很少或者画出来直接框住了整张图边缘。原因阈值方向选错了。背景比目标亮却用了 THRESH_BINARY得到白色大块背景目标反而成了黑色空洞findContours 默认找的是白色连通域于是背景被当成轮廓。解决预处理后不要急着找轮廓先 cv2.imshow 看一眼二值图。如果白色占了绝大多数直接换成 THRESH_BINARY_INV。二值化的颜色方向没有绝对对错只要保证目标在白底上是黑色还是白色与你后续逻辑一致即可。我在多个项目里都靠“白多则反”这条经验快速定位问题。5.2 轮廓数量爆炸碎噪声被当成目标现象打印 len(contours) 出来几百上千面积过滤设得很小也没用。原因二值化前没做去噪或者 OTSU 在光照边缘产生了大量小连通域。工业相机拍金属零件时尤其明显反光和划痕都会生成伪轮廓。解决先加大高斯模糊再用开运算去掉孤立点。还有一招更直接在循环里打印前十几个轮廓的面积看面积分布。如果发现大量面积为 1 到 3 像素的小点基本可以判断是噪声面积阈值设到 20 以上就能清掉。别一上来就把形态学迭代次数加很高会把真实小目标也抹掉。5.3 安装与返回值No module named cv2 和解包失败现象明明安装了 opencvimport cv2 却报 No module named cv2或者 findContours 解包时报 not enough values to unpack。原因前者多半是 Python 环境不一致在系统 Python 装的包换到虚拟环境就找不到了。后者是老生常谈的 OpenCV 3.x 返回 3 个值、4.x 返回 2 个值的问题。解决先在终端里确认 python 路径和 pip 路径是否一致再执行 pip list 看 opencv 装没装。确认环境没问题后代码里按前面 3.2 节里的版本判断来解包。我的习惯是写一个统一封装函数把 findContours 的版本兼容逻辑收在一个文件里项目里所有地方都用这个封装避免散落各处再翻车。5.4 Canny 高低阈值乱选轮廓从中间断开现象用 Canny 后找轮廓目标的边缘不是一条闭合曲线而是分成好几段。原因低阈值设太高很多弱边缘被直接丢弃或者目标本身的边缘梯度变化不大边缘像素不连续。解决低阈值先降到 30 左右高阈值保持在低阈值的 2 到 3 倍。比如 (30, 90) 或 (50, 150)。如果边缘还是断就做一次膨胀或闭运算把断口接上。Canny 的调参有点玄学但记住一个原则先保证边缘闭合再谈去噪。边缘不闭合后面一切测量都是空的。5.5 minAreaRect 的角度与整数坐标精度两个隐型坑现象minAreaRect 返回的角度忽正忽负画矩形时对不上或者用轮廓点做面积换算时发现精度不对劲。原因OpenCV 里旋转矩形角度的定义是从水平轴开始顺时针还是逆时针在不同版本里表现并不直观。而 findContours 返回的坐标是整数直接用整数点算小轮廓的面积结果会偏。解决不要试图从 angle 反推矩形方向直接用 boxPoints 拿四个角绘制。涉及面积或坐标换算时先把轮廓转成浮点cnt_float cnt.astype(np.float32)再传给 contourArea 和 minAreaRect。这个小改动对毫米级测量影响很大尤其当目标在图像里只占二三十个像素时。6. 进阶从轮廓到最小外接矩形与目标计数最后分享一个我常用的进阶组合把轮廓提取和旋转矩形结合做散落零件的目标计数和方向判断。场景很典型一堆零件倒在传送带上姿态各不相同需要输出每个零件的位置和角度。import cv2 import numpy as np img cv2.imread(parts.png) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold( gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU ) contours, _ cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) valid [] for cnt in contours: area cv2.contourArea(cnt) if area 200: # 过滤碎屑 continue rect cv2.minAreaRect(cnt) box cv2.boxPoints(rect) box np.int0(box) cv2.polylines(img, [box], True, (0, 255, 0), 2) valid.append(rect) print(f有效目标: {len(valid)})这段代码把 RETR_EXTERNAL、面积过滤、最小外接矩形一次串起来。验证方法很重要不要只看打印数量把画了矩形的图保存下来人工数一遍。如果图上有 13 个零件脚本却输出 16你要看的是多了 3 个还是少了 3 个。多了就调大面积阈值或加强开运算少了就调低阈值或检查预处理。我还习惯在输出里附带每个矩形中心的坐标格式做成 csv 或 json这样后续对接机械臂或者数据库都不用改代码。角度的校验则在现场做放一个已知角度的标准件跑一次脚本对比输出角度和实际角度。这个动作每次都帮我提前暴露坐标系问题。我最早做轮廓提取时只顾着把 findContours 跑通打印出一个数量就以为完成了。结果换了一张光照不同的图数量直接翻倍我才意识到预处理和筛选才是这个功能的真正工作量。从那以后每写一套轮廓逻辑我都会留一个“把中间二值图和最终框选图都导出”的习惯交付前先眼睛过一遍再打包。希望帮到你。本文还有配套的精品资源点击获取 OpenCV轮廓提取实战：从二值化到坐标点输出的完整流程
简介轮廓提取在图像分析与目标检测中应用广泛。这份PDF系统讲解OpenCV的轮廓提取功能先说明轮廓可理解为有序点集再从findContours函数入手逐个解释image、contours、hierarchy、mode、method、offset等参数图像通常采用Canny处理后的二值图轮廓结果保存在双重向量中层级关系用于描述轮廓嵌套检索模式包括外围、列表、双层级、树状四种近似方法可选择保留全部点或仅保留拐点。随后对drawContours的绘制图像、轮廓索引、颜色、线宽、线型以及层级级别等参数作对应说明并配有带滑动条调节阈值的C示例便于读者直观验证。资源共1个PDF文件大小约95KB虽体量较小但参数讲解完整、示例可直接参考适合OpenCV初学者快速理解轮廓提取流程也适合开发者在需要查阅API细节时作为便携手册。对于刚接触图像处理的人来说这份资料能省去翻查文档的麻烦。目前已有2255人学习足见其参考价值。1. 轮廓提取到底在做什么如何把一张图变成一串坐标点做视觉定位时第一个动作往往不是识别而是把目标从背景里“抠”出来。Opencv 的轮廓提取功能就是干这个的它把图像里灰度或颜色连续的区域转成一组有序坐标点后续测量、计数、抓取定位全靠这串点。它是 opencv 图像处理项目里出场率最高的基本功OCR 切字、缺陷定位、机器人抓取底层都离不开这一步。很多人以为轮廓提取等于边缘检测实际不是。边缘是像素级的梯度响应轮廓是对象级的闭合边界——两者有关联但用途完全不同。这篇按我自己的落地路径来写先讲预处理选型再讲 findContours 的参数然后讲面积和层级筛选最后是避坑。照着跑一遍你手里的图就能变成一串可用的坐标点。这套内容适合刚接触 Opencv、想快速把轮廓用进项目的工程师也适合被轮廓数量、坐标顺序、版本差异折磨过的熟手。我不会只贴代码每个参数我都会解释为什么这么设。2. 预处理选型为什么轮廓提取前总要先过二值化或 Canny 这一关findContours 的输入不是彩色原图而是 8 位单通道二值图。这意味着轮廓提取之前图像必须被“降维”成黑白分明的区域。很多项目跑不出轮廓问题不在 findContours而在前面这一步没做对。预处理的目标很简单让目标和背景变成两个不相连的连通域。常见的预处理链条是灰度化 → 去噪 → 二值化 → 形态学修正。下面几个小节我会拆开讲每步都给出可直接替换的代码和参数理由。2.1 灰度化与噪声的连带影响彩色图里每个像素有 BGR 三个通道直接做阈值分割会被颜色干扰。灰度化把三个通道压成一个亮度值轮廓信息基本保留计算量却小很多。噪声则会让二值图产生大量孤立白点这些点后来都会变成“伪轮廓”所以去噪也要在二值化之前做。import cv2 img cv2.imread(part.png) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur cv2.GaussianBlur(gray, (5, 5), 0)这段代码里高斯模糊的核是 (5, 5)标准差写 0表示让 OpenCV 根据核大小自动算。核越大去噪越强但边缘也会越糊。我的经验是 3×3 到 7×7 之间够用如果目标边缘本身就模糊宁可用 3×3把去噪交给后面的形态学。灰度化还有一种常见做法是按通道拆分比如用 HSV 的 V 通道或某一单通道做后续处理。某些颜色差异大但亮度接近的场景RGB 灰度效果很差这时可以试一下分离通道后各自二值化再合并。只是大多数项目用 cvtColor 就够了。2.2 阈值分割THRESH_BINARY 与 THRESH_BINARY_INV 怎么选二值化最直接的方法是固定阈值。OTSU 大津法不指定阈值而是根据灰度直方图自动算一个最佳分割点适合目标和背景亮度差异明显的图。注意OTSU 的结果是“白底黑字”还是“黑底白字”取决于你的用图不是你想当然的“目标一定是白色”。ret, binary cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) ret2, binary_inv cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU)THRESH_BINARY 的规则是像素大于阈值置 255小于置 0THRESH_BINARY_INV 刚好反过来。如果背景是亮的、零件是暗的用 INV 版本背景暗零件亮用普通 BINARY。判断方法很笨但有效跑完看二值图里白色占比白色占了大半多半就是反了。对于光照不均匀的图固定阈值和 OTSU 都容易翻车。另一个常见做法是使用自适应阈值adaptive cv2.adaptiveThreshold( blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2 )最后一个参数 2 是常数 C表示阈值取邻域均值后减去的值。C 越大能选中的暗像素越少。这种方法的代价是可能把平滑渐变区域拆碎后续需要更多形态学处理。2.3 Canny 边缘检测当背景不均匀时换条路走光照不均匀、目标纹理复杂时阈值分割很难一次出干净结果。Canny 是另一条常用路线它输出一张边缘二值图然后同样交给 findContours。Canny 不看绝对灰度只看梯度变化所以对光照渐变有更好的容忍度。edges cv2.Canny(blur, 50, 150) contours, hierarchy cv2.findContours( edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE )Canny 的两个阈值分别是低阈值和高阈值。像素梯度超过高阈值判定为强边缘低于低阈值直接丢弃位于两者之间的只有和强边缘相连才保留。高低比值一般取 1:2 到 1:3比如 (50, 150) 或 (30, 90)。很多人以为低阈值越小越好其实不是。低阈值太小纹理噪声会把边缘连成一片太大弱边缘被切断后面 get 到的轮廓是碎的。调参的时候先固定比值只动低阈值观察边缘是否闭合。Canny 输出的边缘通常只有 1 像素宽直接 findContours 可能会得到大量细小轮廓所以后面往往要加一次膨胀或闭运算。2.4 形态学收尾闭运算补缺口、开运算断毛刺二值化之后目标内部可能出现孔洞边缘可能出现毛刺。形态学运算是轮廓提取前最后一步修正。闭运算是先膨胀再腐蚀能填平小孔和缺口开运算是先腐蚀再膨胀能断开细小的连接、去掉孤立白点。kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel, iterations2) opened cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel, iterations1)kernel 选择 MORPH_RECT 还是 MORPH_ELLIPSE取决于目标形状。矩形核速度快但容易把原本圆润的角也磨方椭圆核对弧形目标更友好。iterations 是个容易贪的参数闭运算做多了会把相邻的两个目标“焊”在一起开运算做多了会把小目标整个腐蚀掉。我一般从 1 次开始最多加到 3 次再多就要检查是不是预处理环节选错了。这里还要提一句threshold 之后先做闭再做开还是先开再闭效果不一样。先闭补洞再开断连通常比反着来稳。如果你发现目标边框被背景干扰可以先开运算把背景碎点去掉再闭运算补目标缺口顺序按图微调即可。3. findContours 与 drawContours核心参数怎么设才不算白写预处理完成二值图里目标已经是清晰的连通域下一步就是用 findContours 把边界提取出来。这函数名字听起来简单坑却不少返回几个值、轮廓嵌套怎么处理、坐标点为什么形状不对。这一章把参数讲透再给一个最小可运行示例抄完就能在本地画出来。3.1 轮廓检索模式与近似方式RETR_TREE 与 CHAIN_APPROX_SIMPLE 如何影响结果findContours 第二参数是检索模式决定拿回哪些轮廓以及它们之间的层级关系。常用有四种模式行为典型用途RETR_EXTERNAL只返回最外层轮廓目标计数、外框定位RETR_LIST返回所有轮廓不建立层级简单筛选场景RETR_CCOMP两层结构外层和内层孔洞字符内外轮廓RETR_TREE返回所有轮廓和完整层级树嵌套目标、孔洞分析如果只需要“图里有哪些东西”优先用 RETR_EXTERNAL结果最少、干扰最小。如果还要判断目标内部有没有孔洞比如识别螺母的六角孔就要用 RETR_TREE。RETR_LIST 适合不在乎层级、想自己按面积定去留的场合代码简单但后续筛选负担大。第三参数是轮廓近似方式。CHAIN_APPROX_NONE 会保留边界上每一个像素点精度最高但数据量巨大CHAIN_APPROX_SIMPLE 会把水平、垂直、对角方向的冗余点压缩掉只保留端点比如一个矩形只存 4 个点。绝大多数项目用 CHAIN_APPROX_SIMPLE 就够画出来是直线连接后的效果测量尺寸时要注意它略去了曲线细节。还有一种 CHAIN_APPROX_TC89_L1 和 TC89_KD是 Teh-Chin 链码近似算法压缩率更高但对噪点敏感处理工业零件外轮廓时我一般不优先用。轮廓提取追求的是“少而准”不是越少越好。3.2 OpenCV 版本差异findContours 返回几个值这是老生常谈但依然有人踩的坑。OpenCV 3.x 及更早版本里findContours 返回三个值image、contours、hierarchyOpenCV 4.x 起返回两个值contours、hierarchy。如果你在 4.x 环境下按旧写法解包第一行就直接崩掉。if cv2.__version__.startswith(4.): contours, hierarchy cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) else: _, contours, hierarchy cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE )跨版本兼容代码并不复杂关键是要在生产项目里养成习惯。安装 opencv 时最简单的是 pip install opencv-python它会带主版本号和常用模块如果你用的是 conda 环境注意别装进另一个虚拟环境里后面避坑章我还会细说。在树莓派这类设备上在线安装速度慢有人选择自行编译 opencv这个动作不便宜编译半小时起步且版本接口和老代码往往对不上。我通常能用预编译包就不用源码编译。3.3 最小可运行示例从读图到画出全部轮廓下面的代码覆盖了读图、预处理、找轮廓、画轮廓的完整链路你可以直接复制到新文件里跑。import cv2 import numpy as np img cv2.imread(sample.png) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur cv2.GaussianBlur(gray, (5, 5), 0) _, binary cv2.threshold( blur, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU ) contours, hierarchy cv2.findContours( binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE ) # 画在黑色背景上便于观察轮廓本身 canvas np.zeros_like(img) cv2.drawContours(canvas, contours, -1, (0, 0, 255), 2) cv2.imshow(contours, canvas) cv2.waitKey(0) cv2.destroyAllWindows() print(f轮廓数量: {len(contours)})drawContours 的第三个参数传 -1表示把 contours 列表里所有轮廓都画出来如果要画某一个就传对应索引。第四个参数是画图颜色第五个参数 thickness 是线宽传 2 或 3 便于观察。如果传负数比如 -1会把轮廓围起来的区域填充成指定颜色适合生成遮罩。跑完这段代码你会看到每个连通域都被红色边界包起来。轮廓数量 print 出来可能比你预想的多别急着改参数先看一眼是不是预处理把噪点也算进去了。这一步的验证习惯会影响后面所有筛选逻辑。4. 让轮廓变得有用面积过滤、外接矩形与层级筛选拿到轮廓列表只是第一步实际项目里真正要的是“哪个轮廓是目标、目标在哪、多大、几个”。这一章解决三件事用面积和周长过滤噪声用外接矩形定位目标用层级关系区分物体和孔洞。4.1 有效测量contourArea 与 arcLength 的精度问题cv2.contourArea 计算闭合轮廓面积cv2.arcLength 计算轮廓周长。两者都支持传入点集但需要注意面积结果是浮点数单位是像素如果图像经过了缩放面积要按缩放系数的平方换算。很多项目直接拿像素当毫米不做标定出来的尺寸误差会很大。area cv2.contourArea(contour) perimeter cv2.arcLength(contour, True)arcLength 的第二个参数是 closed传 True 表示把轮廓当作闭合曲线计算周长传 False 则按开放曲线算。轮廓提取拿到的边界一般是闭合的所以传 True。面积和周长最常用的场景是过滤小于某个像素阈值的轮廓直接丢弃这比在 drawContours 里一个个看效率高得多。精度上有个坑CHAIN_APPROX_SIMPLE 保存的是压缩后的关键点计算出的面积与真实面积存在偏差。目标越小偏差占比越大。如果要做高精度测量可以改用 CHAIN_APPROX_NONE 获取完整点集或者把二值图放大再做测量。我一般先用 SIMPLE 筛选再对候选目标重新用原始边缘计算面积。4.2 boundingRect 与 minAreaRect轴对齐和旋转件的不同方案定位目标位置最常用的是 boundingRect返回 (x, y, w, h)即外接矩形的左上角、宽和高。它始终和图像坐标轴对齐适合零件姿态比较正的场景。配合面积过滤一段常见的筛选代码长这样for idx, cnt in enumerate(contours): area cv2.contourArea(cnt) if area 100: continue x, y, w, h cv2.boundingRect(cnt) cv2.rectangle(img, (x, y), (x w, y h), (0, 255, 0), 2)面积阈值 100 是经验值按实际图里最小目标的像素大小来调。如果目标可能被拍摄成倾斜角度boundingRect 会把背景也算进来这时候要用 minAreaRect它返回带角度的最小外接矩形rect cv2.minAreaRect(cnt) box cv2.boxPoints(rect) box np.int0(box) cv2.polylines(img, [box], True, (255, 0, 0), 2)rect 包含 (center_x, center_y), (width, height), angle 三项。画图时不要自己拿 angle 旋转矩形容易画错直接用 cv2.boxPoints 转成角点坐标再用 polylines 画。旋转矩形的宽高虽然有对应关系但角度定义在不同 OpenCV 版本里表现不一致拿来做数值判断前先画出来确认。4.3 RETR_TREE 层级过滤只留最外层、丢掉孔洞如果目标内部有文字或孔洞RETR_LIST 会把内轮廓也当成独立目标计数就会多。这时候要用 RETR_TREE 拿层级信息。hierarchy 的形状是 (1, N, 4)每个轮廓对应四个值next、previous、child、parent。最外层轮廓的 parent 为 -1孔洞的 parent 指向它的外层轮廓。contours, hierarchy cv2.findContours( binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE ) outer [] for i, cnt in enumerate(contours): parent hierarchy[0][i][3] if parent -1: outer.append(cnt)这个循环只保留没有父轮廓的最外层目标效果等价于 RETR_EXTERNAL但它的好处是你能同时拿到内外关系后面如果要做孔洞数量统计可以进一步遍历 child。层级过滤和面积过滤可以串联使用先按面积把碎点甩掉再按 parent 把孔洞排除。两种过滤别只留一种面积能挡住噪声层级能挡住嵌套。5. 轮廓提取的避坑指南五个让我翻车的真实细节前面把主流程讲完了这一章集中写我实践里真正踩过的坑。每一个都按现象、原因、解决三段来你在项目里遇到相同问题可以直接对照定位。轮廓提取不是“跑通就完”参数和输入变了结果会差很多。5.1 二值图反了轮廓画在了背景上现象findContours 找到的轮廓数量很少或者画出来直接框住了整张图边缘。原因阈值方向选错了。背景比目标亮却用了 THRESH_BINARY得到白色大块背景目标反而成了黑色空洞findContours 默认找的是白色连通域于是背景被当成轮廓。解决预处理后不要急着找轮廓先 cv2.imshow 看一眼二值图。如果白色占了绝大多数直接换成 THRESH_BINARY_INV。二值化的颜色方向没有绝对对错只要保证目标在白底上是黑色还是白色与你后续逻辑一致即可。我在多个项目里都靠“白多则反”这条经验快速定位问题。5.2 轮廓数量爆炸碎噪声被当成目标现象打印 len(contours) 出来几百上千面积过滤设得很小也没用。原因二值化前没做去噪或者 OTSU 在光照边缘产生了大量小连通域。工业相机拍金属零件时尤其明显反光和划痕都会生成伪轮廓。解决先加大高斯模糊再用开运算去掉孤立点。还有一招更直接在循环里打印前十几个轮廓的面积看面积分布。如果发现大量面积为 1 到 3 像素的小点基本可以判断是噪声面积阈值设到 20 以上就能清掉。别一上来就把形态学迭代次数加很高会把真实小目标也抹掉。5.3 安装与返回值No module named cv2 和解包失败现象明明安装了 opencvimport cv2 却报 No module named cv2或者 findContours 解包时报 not enough values to unpack。原因前者多半是 Python 环境不一致在系统 Python 装的包换到虚拟环境就找不到了。后者是老生常谈的 OpenCV 3.x 返回 3 个值、4.x 返回 2 个值的问题。解决先在终端里确认 python 路径和 pip 路径是否一致再执行 pip list 看 opencv 装没装。确认环境没问题后代码里按前面 3.2 节里的版本判断来解包。我的习惯是写一个统一封装函数把 findContours 的版本兼容逻辑收在一个文件里项目里所有地方都用这个封装避免散落各处再翻车。5.4 Canny 高低阈值乱选轮廓从中间断开现象用 Canny 后找轮廓目标的边缘不是一条闭合曲线而是分成好几段。原因低阈值设太高很多弱边缘被直接丢弃或者目标本身的边缘梯度变化不大边缘像素不连续。解决低阈值先降到 30 左右高阈值保持在低阈值的 2 到 3 倍。比如 (30, 90) 或 (50, 150)。如果边缘还是断就做一次膨胀或闭运算把断口接上。Canny 的调参有点玄学但记住一个原则先保证边缘闭合再谈去噪。边缘不闭合后面一切测量都是空的。5.5 minAreaRect 的角度与整数坐标精度两个隐型坑现象minAreaRect 返回的角度忽正忽负画矩形时对不上或者用轮廓点做面积换算时发现精度不对劲。原因OpenCV 里旋转矩形角度的定义是从水平轴开始顺时针还是逆时针在不同版本里表现并不直观。而 findContours 返回的坐标是整数直接用整数点算小轮廓的面积结果会偏。解决不要试图从 angle 反推矩形方向直接用 boxPoints 拿四个角绘制。涉及面积或坐标换算时先把轮廓转成浮点cnt_float cnt.astype(np.float32)再传给 contourArea 和 minAreaRect。这个小改动对毫米级测量影响很大尤其当目标在图像里只占二三十个像素时。6. 进阶从轮廓到最小外接矩形与目标计数最后分享一个我常用的进阶组合把轮廓提取和旋转矩形结合做散落零件的目标计数和方向判断。场景很典型一堆零件倒在传送带上姿态各不相同需要输出每个零件的位置和角度。import cv2 import numpy as np img cv2.imread(parts.png) gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) _, binary cv2.threshold( gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU ) contours, _ cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) valid [] for cnt in contours: area cv2.contourArea(cnt) if area 200: # 过滤碎屑 continue rect cv2.minAreaRect(cnt) box cv2.boxPoints(rect) box np.int0(box) cv2.polylines(img, [box], True, (0, 255, 0), 2) valid.append(rect) print(f有效目标: {len(valid)})这段代码把 RETR_EXTERNAL、面积过滤、最小外接矩形一次串起来。验证方法很重要不要只看打印数量把画了矩形的图保存下来人工数一遍。如果图上有 13 个零件脚本却输出 16你要看的是多了 3 个还是少了 3 个。多了就调大面积阈值或加强开运算少了就调低阈值或检查预处理。我还习惯在输出里附带每个矩形中心的坐标格式做成 csv 或 json这样后续对接机械臂或者数据库都不用改代码。角度的校验则在现场做放一个已知角度的标准件跑一次脚本对比输出角度和实际角度。这个动作每次都帮我提前暴露坐标系问题。我最早做轮廓提取时只顾着把 findContours 跑通打印出一个数量就以为完成了。结果换了一张光照不同的图数量直接翻倍我才意识到预处理和筛选才是这个功能的真正工作量。从那以后每写一套轮廓逻辑我都会留一个“把中间二值图和最终框选图都导出”的习惯交付前先眼睛过一遍再打包。希望帮到你。本文还有配套的精品资源点击获取