目录
1.什么是轮廓？为什么要进行轮廓检测？
2.轮廓检测原理
2.1寻找第一个边界点
2.2寻找下一个边界点
3.程序实现(Python OpenCv）
3.1寻找轮廓
3.1.1轮廓的轮廓列表与层次关系
3.1.2轮廓检索模式
3.1.3轮廓近似方法
3.2绘制轮廓
4.OpenCv中的轮廓相关属性方法
1.什么是轮廓？为什么要进行轮廓检测？
轮廓是什么？
1.对于人眼来说，是图片中某一物体的边缘。
2.对于机器来说，是矩阵中沿着边缘的相同颜色即相同像素点强度的所有连续点的曲线。（我们在前篇中已经详细讲过图片在计算机中其实是一个矩阵：图像与矩阵）
3.轮廓与边缘的区别：轮廓是一圈包住物体，边缘可以使零零散散的一条线。
为什么要对轮廓进行检测？
轮廓是后续用于对图中物体进行形状分析或者对象识别的有效媒介。
2.轮廓检测原理
轮廓检测的原理是轮廓跟踪。即通过顺序逐点跟踪目标边界，最终找出的所有点构成的就是边界。
注意：在开始讲述之前，最好确保图像已经二值化（即只存在黑白二色），这不仅是理论的前提还是后面程序实现的前提。另外，图像二值化可通过设置阈值使用掩膜卷积过滤或者Canny边缘检测来实现：制作掩膜3.1.3②、Canny边缘检测。
2.1寻找第一个边界点
从上到下，从左到右地在图片中找到第一个边界点E0。
2.2寻找下一个边界点
怎么找？可通过搜寻4连通域（即像素点的上、下、左、右）或者8连通域（不仅包括上、下、左、右还包括的左上、右上、左下、右下）来找。
找什么？找与本像素点值相同的连着的另一个像素点，此像素点即下一个边界点。
具体方法：
- 设置一个dir数值，表示上一个像素点是如何找到本像素点的。
- 利用dir计算(dir + 3) mod 4（4连通域算式，若是8连通域则为(dir + 7) mod 8）表示本像素点开始搜索的方向。
- 这样顺时针搜索（根据0,1,2,3代表的指向的不同也可以设置成逆时针）到另一个值相同的像素点后，使该像素点为新像素点并且该像素点的dir为上一步除余的值。
3.程序实现(Python OpenCv）
3.1寻找轮廓
contours, hierarchy = cv.findContours(image, mode, method[, contours[, hierarchy[, offset]]])
- contours：提取到的n个轮廓，是一个Python列表，可通过索引访问其中的具体某个轮廓。
- hierarchy：轮廓的层次关系。见3.1.1。
- image：源图像，一般要求是个二进制图像，若mode为RETR_CCOMP和RETR_FLOODFILL时可以是32位整数图像。
- mode：轮廓检索模式。见3.1.2。
- method：轮廓近似方法。见3.1.3。
- offset：可选偏移量，每个轮廓点偏移量。如果从图像ROI中提取轮廓，然后在整个图像上下文中对其进行分析，这将非常有用。
- 值得一提的是，这个函数不使用轮廓追踪，而是使用铃木佐藤等人的《基于边界跟踪的数字化二值图像拓扑结构分析》提到的算法。
3.1.1轮廓的轮廓列表与层次关系
通过例子来掌握轮廓的轮廓列表与层次关系，给出一张二值图像：
先来说说为什么2有2a，3有3a，而0,1,4,5却没有呢？
答：2,3所在轮廓是一个内空心的闭合图形。所以2是所在轮廓的外轮廓，2a是所在轮廓的内轮廓。相应的，3是所在轮廓的外轮廓，3a是所在轮廓的内轮廓。而0,1是线段、4,5是实心图形，没有内外之分，只有简单的轮廓之称。
轮廓列表：
很显然，轮廓列表contours = [0，1，2，2a，3，3a，4，5]。
层次关系：
在逻辑层面，可以很轻松地从图中看出0,1,2是同一层次的轮廓，而2有个子轮廓2a，2a又有个子轮廓3，3又又有个子轮廓3a，3a又又又有两个子轮廓4,5，并且4,5处于同一层次。（2的子轮廓是2a，那么2a的父轮廓就是2，这种简单的理论自己想一下就不说了...）
而在opencv中将每个轮廓的层次信息（同层次下一个，同层次上一个，子轮廓，父轮廓）包含在这样一个4值数组中：[Next, Previous, First_Child, Parent]。
因此图中我们可得到的层次关系信息为：
0->[1,-1,-1,-1]
1->[0,2,-1,-1]
2->[1,-1,2a,-1]
2a->[-1,-1,3,2]
......注意：
1.不存在的层次关系用-1表示。
2.实际的程序中并没有2a，3a这种说法，这里只是为了方便表示，实际程序中2a应该变3，3应该便4，3a应该变5，依次往后挪......
3.实际程序hierarchy输出案例（与上图无关）：
3.1.2轮廓检索模式
opencv中的轮廓检索模式有4种：
cv.RETR_EXTERNAL | 仅检索最外层轮廓。 |
cv.RETR_LIST | 检索所有轮廓，而不建立任何层次关系。 |
cv.RETR_TREE | 检索所有轮廓并重建嵌套轮廓的完整层次结构。 |
cv.RETR_CCOMP | 把所有层次仅分为内外两层。 |
还是结合上面那个例子：
- cv.RETR_EXTERNAL：只记录0,1,2这3个最外层级的轮廓。
- cv.RETR_LIST：记录所有轮廓但是不分层次，比如把2与2a记录在同一层次。
- cv.RETR_TREE：记录所有完整层次，也就是上一节的那种。
- cv.RETR_CCOMP：0,1,2,3,4,5是外层。2a,3a是内层。内层的父轮廓、外层的子轮廓照旧。
似懂非懂的话可以再看看这个：轮廓检索方式具体案例
3.1.3轮廓近似方法
opencv中的轮廓近似方法也有4种：
cv.CHAIN_APPROX_NONE | 存储所有边界点。 |
cv.CHAIN_APPROX_SIMPLE | 只保存关键的点（如保存线段的两头便可画出线段了），节省内存。 |
cv.CHAIN_APPROX_TC89_L1 | 采用一种Teh-Chin chain近似算法。 |
cv.CHAIN_APPROX_TC89_KCOS | 采用一种Teh-Chin chain近似算法。 |
其实只要懂第一种跟第二种就好啦~后面两种有兴趣自己百度~
3.2绘制轮廓
cv.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]])
contourIdx就是contours列表中的索引。如输入3则绘制第3个轮廓，输入-1则绘制所有轮廓。
其他的本专栏前面几章都讲过类似的这里就不讲了，看看属性名字应该都懂了。
注意：
1.输入的应该是原始图像。
2.输入图像直接在原图上被修改。
使用案例：
import cv2
import numpy as np
src = cv2.imread("lyf.jpg")
# Canny处理得到二值化图像
src = cv2.GaussianBlur(src, (5, 5), 5)
canny = cv2.Canny(src, 0,30)
# 轮廓检测
contours, hierarchy = cv2.findContours(canny, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 注意这里第一个参数输入的是原始图像
cv2.drawContours(src, contours, -1, (0,0,255), 1)
cv2.imshow("src", src)
cv2.imshow("canny", canny)
cv2.waitKey()
cv2.destroyAllWindows()4.OpenCv中的轮廓相关属性方法
首先得找一条轮廓吧：
cnt = contours[0]1.特征矩
M = cv.moments(cnt)2.轮廓面积
area = cv.contourArea(cnt)3.轮廓周长
perimeter = cv.arcLength(cnt,True)更多的，可以查看OpenCv官方中文文档。
