4、轮廓发现基础：findContours函数详解、轮廓检索模式、轮廓近似方法
好，咱们进入轮廓分析的第一课。
轮廓发现，说白了就是在一张图里找到那些「连成一片」的边界点。我刚开始学OpenCV时，总觉得这玩意儿跟边缘检测差不多。后来踩了坑才明白——边缘检测给的是像素级的梯度响应，而轮廓给的是完整的、有序的边界点集合。你想想看，一个是散兵游勇，一个是整编部队，区别大了去了。
4.1 findContours 函数：轮廓发现的入口
这个函数，是OpenCV里最常用的轮廓提取工具。我个人习惯把它叫做「轮廓收割机」。它的签名长这样：
contours, hierarchy = cv2.findContours(image, mode, method[, offset])参数不多，但每个都有讲究：
- image：输入图像。必须是8位单通道二值图。注意，不是灰度图，是二值图！我见过有人直接拿彩色图往里塞，结果报错一脸懵。
- mode：轮廓检索模式。这个咱们下面细聊。
- method：轮廓近似方法。也放后面讲。
- offset：偏移量。每个轮廓点都加上这个偏移，适合在ROI里提取轮廓后映射回原图。
返回值有两个：
- contours：一个Python列表。每个元素是一个轮廓，类型是Numpy数组，形状是(N, 1, 2)。N是轮廓上的点数。
- hierarchy：层级信息。后面讲轮廓检索模式时会用到。
4.2 轮廓检索模式：你想怎么找？
这个参数决定了轮廓之间的「父子关系」怎么处理。我当年做文档扫描时，就因为选错了模式，多出来一堆没用的内轮廓，调试了半天。
常用的模式有四种：
| 模式 | 含义 | 适用场景 |
|---|---|---|
| RETR_EXTERNAL | 只检测最外层轮廓 | 物体外边界，忽略内部空洞 |
| RETR_LIST | 检测所有轮廓，不建立层级关系 | 简单场景，不需要父子信息 |
| RETR_CCOMP | 检测所有轮廓，组织为两层结构 | 内外嵌套，比如带孔的物体 |
| RETR_TREE | 检测所有轮廓，建立完整的树形层级 | 复杂嵌套，需要完整拓扑关系 |
嗯，这里要注意：RETR_EXTERNAL 是我用得最多的模式。为什么？因为很多场景下，我们只关心物体的外边界，内部的孔洞反而会干扰分析。比如检测传送带上的零件，你只需要外轮廓就够了。
那什么时候用 RETR_TREE 呢？我举个例子。有一次做手写数字识别，数字「8」有两个内轮廓（上下两个圈）。如果用 RETR_EXTERNAL，只能拿到外圈，内部信息全丢了。这时候 RETR_TREE 就派上用场了，它能告诉你哪个轮廓是父，哪个是子。
4.3 轮廓近似方法：压缩还是保留？
这个参数决定了轮廓点怎么存储。说白了，就是「要不要省点内存」。
两种常用方法：
- CHAIN_APPROX_NONE：存储所有边界点。一个像素都不少。
- CHAIN_APPROX_SIMPLE：只存储关键点。比如一条直线段，只存两个端点。
你猜哪个更常用？
我告诉你，CHAIN_APPROX_SIMPLE 是默认选择。为什么？因为大多数情况下，我们不需要每个像素点。比如一个矩形轮廓，用 NONE 会存几百个点，用 SIMPLE 只存4个角点。处理速度差了一个数量级。
但是！有一种情况必须用 NONE——当你需要精确的边界像素坐标时。我记得有一次做细胞图像分析，细胞的边缘非常不规则，用 SIMPLE 近似后丢失了太多细节，导致后续的面积计算偏差很大。后来换成 NONE，问题就解决了。
4.4 实战：从二值图到轮廓
光说不练假把式。咱们走一遍完整流程：
import cv2
import numpy as np
# 1. 读取图像并转灰度
img = cv2.imread('shapes.png')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 2. 二值化
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
# 3. 发现轮廓
contours, hierarchy = cv2.findContours(
binary,
cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE
)
# 4. 在原图上绘制轮廓
cv2.drawContours(img, contours, -1, (0, 255, 0), 2)
# 5. 打印轮廓信息
print(f"发现 {len(contours)} 个轮廓")
for i, cnt in enumerate(contours):
area = cv2.contourArea(cnt)
print(f"轮廓 {i}: 面积 = {area:.2f}, 点数 = {len(cnt)}")
cv2.imshow('Result', img)
cv2.waitKey(0)
这段代码，我几乎每个项目都会用到。它就是一个轮廓分析的「起手式」。
你可能会问：为什么先二值化？因为 findContours 要求输入是二值图。灰度图里像素值有0到255，算法没法判断哪些是「前景」哪些是「背景」。二值化之后，255是前景（白色），0是背景（黑色），轮廓就是黑白交界的地方。
4.5 轮廓与边缘检测的区别
这个问题，我面试时经常问候选人。很多人答不上来。
边缘检测（比如 Canny）输出的是二值边缘图，每个边缘像素是独立的，没有顺序信息。而轮廓是有序的点集，你可以沿着轮廓走一圈，知道哪里是起点、哪里是终点。
举个例子：
- Canny 告诉你「这里有边缘」
- findContours 告诉你「这个边缘是一个闭合的圆，周长是100像素」
所以，轮廓分析能做很多边缘检测做不到的事：计算面积、周长、形状匹配、凸包检测……这些咱们后面几章会一一展开。
4.6 本章小结
这一章咱们把 findContours 的底裤都扒干净了：
- 函数签名和参数含义
- 四种检索模式的区别和选择
- 两种近似方法的取舍
- 完整的实战代码
- 轮廓与边缘检测的本质区别
下一章，咱们会深入轮廓的几何属性——面积、周长、外接矩形、最小外接圆……这些都是实际项目里天天用的东西。到时候我会分享一些「坑」和「捷径」，保证让你少走弯路。
嗯，今天就到这儿。动手试试上面的代码，换几张自己的图片跑一跑。有问题随时翻回来看看。