企业官网建设流程全解析

刚开始接触 OpenCV 的时候，我印象最深的不是那张彩色图片变成灰蒙蒙的灰度图，而是第一次看到程序把一堆乱七八糟的轮廓线从图像里“描”出来的瞬间。那种感觉就像在一堆杂物里面用画笔圈出每一件物体的边界，清晰、直观、有成就感。轮廓查找和绘制可以说是 OpenCV 里最常用的功能之一，不管是做物体计数、外形识别、还是做图像分割的后续处理，都绕不开findContours和drawContours这一对组合。

这篇文章我打算把我的实操经验完整拿出来分享。适合刚学 OpenCV 不久的 Python 开发者，也适合已经会用但没深入理解轮廓机制、被各种检索模式搞晕的人。我会从原理讲到代码，从代码讲到坑，最后给你一套能直接改来用的完整示例。

1. 轮廓检测到底是什么，先想清楚再动手

很多教程一上来就贴代码，然后你复制粘贴跑通了，回头换个图片就出错，根本原因就是没搞懂轮廓的本质。

1.1 轮廓和边缘不是一回事

我见过不少初学者会把“边缘检测”和“轮廓查找”直接画等号，其实这两个东西差别非常大。

边缘是图像中像素灰度突变的位置，是一堆离散的像素点。用 Canny 算子得到的边缘图，你放大看会发现很多细碎的短线，有的线中间还会断掉，连不成闭合的一条。

轮廓则是一个完整的、有序的点集合，它描述的是一个连通区域的边界，是一条或多条闭合曲线。OpenCV 里，轮廓的数据结构是[ [x1, y1], [x2, y2], ... ]这种点的序列，它本质上比边缘“高一层”。你可以理解为：边缘是散落的珠子，轮廓是把这些珠子串起来的链子。

所以要找轮廓，前提是这个区域能被“干净地”从背景里分离出来。这也是为什么我强烈建议你在找轮廓之前，把图像认真处理成二值图（黑白图），因为灰度图、彩色图里的噪声实在太多，直接找轮廓会找出一堆毫无意义的碎片。

1.2 检索模式别硬背，理解后再选

findContours的第一个重点参数是mode，也就是检索模式。OpenCV 提供了四种：

我之前在一个零件检测的模拟项目里，需要在传送带上统计圆形金属垫片的数量。垫片中间有个通孔，如果用RETR_EXTERNAL，那就一个垫片只找到一个外轮廓，计数毫不费力。但如果你要做的是区分“实心圆”和“圆环”，那就必须用RETR_TREE或者RETR_CCOMP，因为你得知道哪些轮廓内部还有子轮廓。

如果你只是想把所有形状的边界画出来，不想管谁套谁，RETR_LIST就够了。这个模式处理起来快，逻辑也简单。我最常犯的一个错就是把所有模式全部记混，后来我总结了一个笨办法：做计数和简单检测用RETR_EXTERNAL，做带孔洞的物体识别用RETR_TREE，其他情况一律RETR_LIST。

1.3 近似方法让轮廓点少一半以上

findContours的另一个关键参数是method，也就是轮廓的近似方法，常见的有CHAIN_APPROX_NONE和CHAIN_APPROX_SIMPLE。

CHAIN_APPROX_NONE会把边缘上的每一个像素点都保存下来，非常精确，但数据量巨大。一个 500x500 的矩形轮廓，四个边加起来能有两千多个点。

CHAIN_APPROX_SIMPLE会压缩冗余的点，只保留“关键转折点”。还是那个矩形，用 SIMPLE 模式就只保存四个顶点，压缩率非常可观。

我一开始图省事总想用CHAIN_APPROX_NONE，觉得信息越全越好。后来在做轮廓周长计算的时候发现，两种模式算出来的周长可能有几个像素的偏差，NONE 模式因为包含细微的锯齿，算出来会偏长。而且 NONE 模式处理一张高分辨率图片时，内存占用明显更高，实时性也受影响。现在除了某些需要逐点还原边缘的场合，我基本都用CHAIN_APPROX_SIMPLE。

提示：CHAIN_APPROX_SIMPLE并没有“丢失”轮廓信息，它保留的顶点已经足够描述形状。用 matplotlib 绘制该轮廓时依然是闭合的、一致的外形。

2. 动手准备：图像预处理是成败关键

我说句实话：找轮廓这件事，预处理做得好不好，直接决定你后面省不省事。轮廓查得乱七八糟，八成不是findContours的问题，而是输入图像没准备好。

2.1 从彩色到二值：一步都不能少

标准的预处理链路是：读图 → 灰度化 → 滤波去噪 → 二值化（或边缘检测） → 找轮廓。

灰度化很简单：cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)。为什么不能直接在彩色图上找轮廓？因为轮廓检测需要的是一个单通道、能区分前景和背景的图。彩色图有三个通道，渐变和阴影会让同一个物体的边界变得不连续，二值图就没有这个问题，非黑即白，边界一目了然。

二值化我推荐优先尝试cv2.threshold配合THRESH_BINARY或THRESH_BINARY_INV。用固定阈值的时候，怎么选这个值是个经验活。光照好的拍摄环境，阈值 127 往往就够用。但如果你拍摄环境不稳定，同一个物体有时候亮有时候暗，固定阈值就会失效。

这时候就要上cv2.adaptiveThreshold，自适应阈值。它会给图像分成很多小块，每一块单独算一个阈值，对光照不均的图像特别管用。我做过一个扫描文档轮廓提取的小实验，文档边缘有一块被阴影盖住了，固定阈值怎么调都让文档“缺角”，换成自适应阈值之后就完整了。

如果场景简单、物体和背景对比强烈，用大津法THRESH_OTSU自动算阈值是最省事的。代码也很简洁：

_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

注意这里阈值参数填 0，因为 OTSU 会自动算，不需要你指定。

2.2 边缘检测到底该不该用，怎么用

很多教程喜欢先跑一遍 Canny 再去找轮廓，理由是 Canny 能把边界提得更干净。这个说法对，但也不全对。

Canny 输出的是一张边缘图，边缘像素是白色的，背景是黑色的。你在这种图上找轮廓，找到的其实是一堆“边缘片段”围起来的区域。如果边缘有断口，轮廓就跟着断；如果边缘太密，轮廓就会交错、粘连。

我的经验是：物体和背景是两种完全不同材质、颜色差异明显的时候，二值化之后直接找轮廓，比过了 Canny 再找要稳。比如深色物体放白色桌面，大津法一下就分开了。

Canny 更适合那种背景复杂、纹理多、靠灰度阈值分不开的情况。比如在一张风景照里找特定形状的物体，Canny 先抽象出“边界线”，你再在这些边缘线上找轮廓。但这时候一定要控制好 Canny 的两个阈值：threshold1和threshold2。一般经验是 threshold1 取 threshold2 的一半或三分之一，比如(50, 150)。

如果你用了 Canny，在找轮廓之前我建议多做一步：用cv2.dilate膨胀一下，把边缘的断口补上。

edges = cv2.Canny(gray, 50, 150) kernel = np.ones((3, 3), np.uint8) edges = cv2.dilate(edges, kernel, iterations=1)

膨胀会让边缘变粗一点，让本来差一两个像素就能接上的断口彻底连起来。代价是轮廓会比实际稍大一点点，但对后续识别影响很小。腐蚀和膨胀这对操作在预处理阶段是神器，你要学会根据实际效果微调 kernel 的大小和迭代次数。

2.3 预处理阶段的常用抗干扰手段

我在实际项目里总结出来几个特别常用的预处理组合，分享给你：

• 如果图像里有细小的颗粒噪点，先做一次cv2.medianBlur中值滤波，它对椒盐噪声有奇效，而且比高斯滤波更能保留边缘锐度。
• 如果二值化之后前景区域背景里有零散的小白点，用cv2.morphologyEx做一次MORPH_OPEN（开运算，先腐蚀再膨胀），可以清掉这些小杂点。
• 如果物体边缘不够平滑，轮廓画出来锯齿感严重，可以做一个MORPH_CLOSE（闭运算，先膨胀再腐蚀），把边缘的小缺口填平。

这些听起来都是小事，但处理过的图像和没处理过的图像，找出来的轮廓效果差距非常明显。预处理做的到位，后面轮廓筛选的代码量能少一半。

3. 核心环节：findContours 与 drawContours 实战

现在进入正题。准备一张简单的图片，比如白底上一个黑色的圆形和方形，我要把它们的轮廓画出来。

3.1 版本差异别掉坑，返回值到底几个

先说一个非常常见的坑：OpenCV 版本不同，findContours的返回参数数量不一样。

在 OpenCV 3 和 OpenCV 4 中，函数签名是：

contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

在更早的 OpenCV 2.x 里，它返回的是三个值：

image, contours, hierarchy = cv2.findContours(...)

那是不是旧版的 image 参数就是处理后的图？不是，旧版会把查找后的图像也返回，你把它直接赋值给一个新变量就行。

我在帮别人调试代码时经常遇到这种问题：明明代码看起来没问题，但一运行就报not enough values to unpack。解决方法是先确认你的cv2.__version__，然后对着版本调整赋值。最稳妥的写法是用contours和hierarchy两个变量接返回值，因为现在主流环境基本都是 OpenCV 4.x。

3.2 完整代码走一遍

直接上代码。这是我最常用的一个最小可用示例：

import cv2 import numpy as np # 读取图像 img = cv2.imread("shapes.png") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯滤波降噪 blurred = cv2.GaussianBlur(gray, (5, 5), 0) # 二值化：背景变黑，物体变白 _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 查找轮廓 contours, hierarchy = cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) # 在原始图像的副本上绘制轮廓 result = img.copy() cv2.drawContours(result, contours, -1, (0, 255, 0), 2) cv2.imshow("Contours", result) cv2.waitKey(0) cv2.destroyAllWindows()

注意几个细节：

• 二值化我把目标物体变成了白色、背景变黑色，用的THRESH_BINARY_INV。如果你的原图是黑色物体在白色背景上，那用THRESH_BINARY就行。
• 绘制目标我用的是img.copy()，不要在原图上直接画。这个习惯能让你随时对比原图和绘制后的图，方便排查。
• drawContours的第三个参数传-1表示把找到的所有轮廓都画出来。颜色用的(0, 255, 0)是 BGR 顺序下的绿色，注意 OpenCV 里颜色通道顺序是 BGR，跟常规 RGB 相反。
• 线宽2表示 2 像素。调大一点，轮廓更醒目。

跑完这段代码，你应该能看到两个图形边缘被绿线描出来了。这个示例虽然简单，但包含了完整的链路，后面所有复杂操作都是在这个基础上扩展。

3.3 绘制参数详解：怎么只画某个轮廓

drawContours的第三个参数contourIdx很关键，它的含义是“第几条轮廓”。

• -1：绘制所有轮廓
• 0：只绘制第一条轮廓
• 1：只绘制第二条轮廓
• 其他正整数：按索引绘制

轮廓列表contours的顺序其实是随机的，不是你肉眼从上到下、从左到右的顺序，而是根据图像检测到的连通域顺序。所以你想画“某一个特定形状”的轮廓时，第一反应不应该是手写索引，而是先通过条件筛选轮廓，把目标轮廓放到列表里的特定位置，再一起画。

我通常的做法是这样：

for c in contours: area = cv2.contourArea(c) if area > 500: # 过滤掉太小的轮廓 cv2.drawContours(result, [c], -1, (0, 255, 0), 2)

注意我把单个轮廓包成了[c]，因为drawContours第二个参数需要的是一个“轮廓列表”，不是单个轮廓。这个细节很容易被忽略，但你直接传一个contour对象进去会报错。

3.4 hierarchy 层级关系怎么看

hierarchy这个返回值很多人不关心，但在处理嵌套图形时它是必不可少的。

它的数据结构是一个多维数组，每个轮廓对应一组四个值，顺序是：

[下一个轮廓索引, 上一个轮廓索引, 第一个子轮廓索引, 父轮廓索引]

• 如果某个值是-1，表示对应的那个方向没有轮廓。
• 通过这四个值，你能知道某个轮廓是不是在另一个轮廓的“里面”。

举个例子，假设图像里有圆形外框，框内有个矩形。用RETR_TREE模式得到两个轮廓，索引 0 是外框，索引 1 是内矩形，那轮廓 1 的父轮廓索引就是 0。这种情况下你得遍历hierarchy才能知道谁是谁的子轮廓。

我写过一个简单的判断逻辑：如果某个轮廓的父轮廓索引不是-1，就把这个轮廓统一画成红色，表示它是“内部孔洞”。这种操作在识别带孔垫片、检查 PCB 焊盘开孔时都很有用。

for i, c in enumerate(contours): parent = hierarchy[0][i][3] color = (0, 0, 255) if parent != -1 else (0, 255, 0) cv2.drawContours(result, [c], -1, color, 2)

4. 只会找轮廓还不够，日常项目里怎么用

findContours只是起点。真正的工作量在找完轮廓之后。

4.1 用面积和周长过滤小噪点

找完全部轮廓后，列表里会有很多小到离谱的轮廓，它们是二值图上的噪点、细线、或者是图像边缘切割产生的不完整物体。

过滤逻辑非常简单：遍历每个轮廓，算面积和周长，不满足条件的直接跳过。

for c in contours: area = cv2.contourArea(c) perimeter = cv2.arcLength(c, True) if area < 100 or perimeter < 40: continue # 到这里就说明是一个可靠的轮廓

我把这个逻辑称为“轮廓体检”。cv2.contourArea算的是轮廓包围的面积，注意它要求轮廓是闭合的，cv2.arcLength的第二个参数传True也同样是告诉函数这个轮廓是闭合的。

面积筛选对阈值非常敏感，具体设多少得看你图片的分辨率和目标大小。我一般做法是：先打印出所有轮廓的面积，看一眼分布，再在中间找一个合适的 cutoff 值。盲目拍脑袋填数字，填高了一漏一大片，填低了噪声全进来了。

4.2 轮廓排序和位置定位

前面说了，轮廓列表的顺序是无序的。但很多场景你需要知道“哪个物体在最左边”“哪个物体在最上面”。

我用过的最朴素可靠的排序方法：按轮廓外接矩形的左上角坐标排序。

def sort_contours(contours): bounding_boxes = [cv2.boundingRect(c) for c in contours] sorted_pairs = sorted(zip(contours, bounding_boxes), key=lambda b: b[1][0]) return [item[0] for item in sorted_pairs], [item[1] for item in sorted_pairs]

cv2.boundingRect(c)返回(x, y, w, h)，其中x是外接矩形左上角的横坐标。按x从小到大排序，就能让轮廓从左到右排列。如果你需要从上到下，就按y排序。

在 OCR 类项目里，这个排序操作几乎是必须的。因为文字识别时你必须保证文字轮廓是按阅读顺序排列的，否则识别出来的内容顺序是乱的。

4.3 轮廓外接矩形和形状判断

拿到轮廓以后，最常见的需求就是把它框出来定位。有两种框：一种叫正矩形cv2.boundingRect，一种叫最小外接矩形cv2.minAreaRect。

• 正矩形：无论物体怎么旋转，框都是水平和垂直的。
• 最小外接矩形：会跟着物体的旋转角度一起转，能包含物体的最小面积。

x, y, w, h = cv2.boundingRect(c) cv2.rectangle(result, (x, y), (x + w, y + h), (255, 0, 0), 2) rect = cv2.minAreaRect(c) box = cv2.boxPoints(rect) box = np.int0(box) cv2.drawContours(result, [box], 0, (255, 0, 0), 2)

注意cv2.boxPoints返回的是四个顶点，需要转换成整数才能绘制。

如果你想判断轮廓大致是圆形还是方形，可以用一种很巧妙的近似方法：取轮廓的轮廓近似cv2.approxPolyDP，看它得到的顶点数量。

epsilon = 0.02 * cv2.arcLength(c, True) approx = cv2.approxPolyDP(c, epsilon, True) if len(approx) == 3: shape = "triangle" elif len(approx) == 4: shape = "rectangle" elif len(approx) >= 8: shape = "circle"

epsilon是近似精度，数值越大，近似结果越粗糙。我习惯取周长的 2%，效果比较稳定。注意approxPolyDP是图像处理里非常经典的多边形拟合算法，理解它以后做形状识别会很顺手。

5. 常见问题与排查实录

这部分是我长期踩坑的记录，每个问题都真实发生过，排查思路也都验证过。

5.1 轮廓总数和预期不一样，多出一堆碎片

现象：图像里明明只有两个物体，结果找出来 20 个轮廓。

排查思路：首先在画轮廓前打印一下每个轮廓的面积，确认是不是一堆面积特别小的轮廓。如果是，多半是二值化的时候把背景噪点变成了白色像素。回到预处理阶段，加一步中值滤波或开运算。

还可以直接调整findContours的检索模式。如果噪点出现在物体内部，把它们从RETR_EXTERNAL改成RETR_LIST再筛选，看看能不能通过面积过滤掉。

我的建议：不要一上来就调findContours参数，先去看二值图长什么样。二值图是干净的，轮廓就不大可能脏。

5.2 画出来的轮廓是断的、不闭合

现象：轮廓线有一段是空的，或者整个轮廓断成两截。

排查思路：这是典型的边缘信息不连续。二值化后的物体和背景之间存在灰度渐变区域，导致中间一部分像素被分到另一侧。解决方法是加大膨胀的迭代次数，或者换用MORPH_CLOSE闭运算先补洞再找轮廓。

另外检查一下轮廓是否是闭合的：cv2.isContourConvex(c)可以判断凸性，但无法判断闭合。闭合与否取决于输入轮廓本身，膨胀往往是最直接的解法。

5.3 实时视频里轮廓抖得厉害

现象：在视频流里做轮廓检测，轮廓位置忽大忽小，边界跳来跳去。

排查思路：视频的每一帧都是独立处理的，轻微的噪点变化会导致轮廓边界抖动。解决办法是不要让每一帧的检测结果“裸奔”——做一个简单的平滑，比如把最近几帧的轮廓中心坐标取平均。

positions = [] def update_center(new_center): positions.append(new_center) if len(positions) > 5: positions.pop(0) return np.mean(positions, axis=0)

用轮廓中心点做平滑，比直接平滑轮廓本身简单得多，而且足够稳定。如果你要的效果是边界稳定，那得用更复杂的跟踪算法，但对于大部分检测需求，中心点平滑已经够用了。

5.4 性能慢，实时跟不上

现象：处理一帧要几百毫秒，根本跑不动。

排查思路：性能瓶颈通常不在findContours本身，而在前面的预处理和后面的绘制。图像分辨率太高是最大杀手，我经常先把图像cv2.resize到合适的尺寸再处理，速度能快好几倍。

另外一个隐蔽的坑是drawContours里面传了太多轮廓。每画一个轮廓都是一次绘制操作，如果轮廓成百上千，耗时明显上升。先筛选，再绘制，只画需要的轮廓，这是最有效的优化手段。

6. 一个完整的实战案例：检测并标注图像中的最大物体

把前面所有知识点串起来，我来写一个稍微完整的案例：输入一张图片，自动找到最大的那个物体，并把它标注出来。

import cv2 import numpy as np def find_largest_contour(img): gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5, 5), 0) _, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) contours, hierarchy = cv2.findContours( binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) if not contours: return None max_contour = max(contours, key=cv2.contourArea) return max_contour image = cv2.imread("scene.jpg") largest = find_largest_contour(image) if largest is not None: x, y, w, h = cv2.boundingRect(largest) cv2.rectangle(image, (x, y), (x + w, y + h), (0, 0, 255), 3) cv2.drawContours(image, [largest], -1, (0, 255, 0), 2) cv2.imshow("Result", image) cv2.waitKey(0) cv2.destroyAllWindows()

这个案例的价值在于它演示了怎么把“找到的轮廓”和“要用的结果”分开：max函数配合key=cv2.contourArea直接选出面积最大的轮廓，非常简洁。RETR_EXTERNAL保证了我们不考虑内部孔洞，这样孔洞再多也不会把“带孔区域”误判成多个物体。

如果你需要把所有轮廓都画出来，但只标注最大的那个，那就把drawContours的contourIdx传成-1，然后单独画最大轮廓的框。

我在实际项目里最后发现，真正最花时间的不是写代码，而是调参和看图。一个排查技巧是：把每个处理步骤的中间结果都cv2.imshow出来，灰度图、二值图、可能的边缘图、轮廓绘制图，一层一层看，哪一层出了问题一眼就能定位。

这是我个人最推荐的排查方式，比闷头改参数高效得多。你把这套方法用熟了，以后不管碰到什么图像处理的活，心里都会有一条清晰的排查路径。