圖像輪廓識別基礎：用Python OpenCV一步步實現¶
1. 環境準備¶
首先確保安裝了OpenCV和NumPy庫。如果還沒安裝，可以通過pip命令快速安裝：
pip install opencv-python numpy
2. 什麼是圖像輪廓？¶
圖像輪廓可以理解爲圖像中物體的“邊界線”。比如一張紙上畫了一個正方形，輪廓就是圍繞這個正方形的一圈像素點。識別輪廓的核心作用是定位圖像中的目標物體，比如識別照片中的人臉、圓形物體，或從背景中分離出特定形狀。
3. 輪廓識別的核心步驟¶
要識別圖像輪廓，通常需要以下4個步驟：
1. 圖像預處理：將圖像轉爲灰度圖並二值化（簡化圖像複雜度）
2. 邊緣檢測：找到圖像中物體的邊界線（比如Canny算法）
3. 輪廓提取：從邊緣中提取出物體的輪廓座標
4. 輪廓篩選與繪製：過濾無用輪廓，只保留目標輪廓並可視化
4. 實戰：識別圖像中的最大輪廓¶
下面我們用一張簡單的示例圖（比如一張紙上畫了幾個圓形）來演示完整流程。假設圖像名爲shapes.jpg，放在與代碼同目錄下。
步驟1：導入庫並讀取圖像¶
import cv2
import numpy as np
# 讀取圖像（替換爲你的圖像路徑）
img = cv2.imread("shapes.jpg")
if img is None:
print("圖像讀取失敗！請檢查路徑是否正確")
exit()
步驟2：圖像預處理（灰度化+二值化）¶
- 灰度化：將彩色圖像轉爲黑白單通道圖像，減少計算量
- 二值化：將圖像轉爲“純黑白”（0或255），方便後續邊緣檢測
# 轉爲灰度圖
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 二值化：大於127的像素設爲255（白色），否則0（黑色）
# 這裏用THRESH_BINARY_INV反轉黑白，若原圖是白色背景黑色物體，反轉後更易檢測
_, binary = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY_INV)
步驟3：邊緣檢測（Canny算法）¶
Canny算法能高效識別圖像邊緣，核心是通過兩個閾值（低閾值和高閾值）確定邊緣：
# Canny邊緣檢測：閾值1=100，閾值2=200（閾值可根據圖像調整）
edges = cv2.Canny(binary, threshold1=100, threshold2=200)
步驟4：提取輪廓¶
使用cv2.findContours函數從邊緣中提取輪廓，返回兩個值：
- contours：輪廓列表（每個輪廓是一個座標數組）
- hierarchy：輪廓的層次結構（簡單場景可忽略）
# 查找輪廓：RETR_TREE保留所有輪廓層次，CHAIN_APPROX_SIMPLE壓縮輪廓點
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
步驟5：篩選並繪製輪廓¶
通常我們只需要保留“大而明顯”的輪廓（比如最大的物體）。這裏通過面積篩選：
# 遍歷所有輪廓，找出面積最大的輪廓
max_area = 0
best_contour = None
for cnt in contours:
area = cv2.contourArea(cnt) # 計算輪廓面積
if area > 1000 and area > max_area: # 僅保留面積>1000的輪廓（可根據圖像調整）
max_area = area
best_contour = cnt
# 繪製輪廓：在原圖上用綠色（0,255,0）繪製輪廓，線寬2
img_contour = img.copy()
cv2.drawContours(img_contour, [best_contour], -1, (0, 255, 0), 2) # -1表示繪製所有輪廓
步驟6：顯示結果¶
# 顯示原圖和輪廓圖
cv2.imshow("Original Image", img)
cv2.imshow("Contour Result", img_contour)
cv2.waitKey(0) # 按任意鍵關閉窗口
cv2.destroyAllWindows()
5. 常見問題與調試技巧¶
- 輪廓不完整？：可能是Canny閾值不合適。可嘗試降低
threshold1（低閾值）或threshold2（高閾值），或調整二值化方式（比如用THRESH_OTSU自動閾值）。 - 識別出多餘輪廓？：通過
contourArea過濾面積太小的輪廓（比如area > 100），或用cv2.drawContours參數-1改爲僅繪製最大輪廓。 - 圖像路徑錯誤？：確保
cv2.imread的路徑正確，或用絕對路徑（比如"C:/Users/xxx/shapes.jpg"）。
6. 擴展：輪廓的更多應用¶
除了面積篩選，還可以通過輪廓的形狀特徵（如圓形、矩形）或周長進一步識別物體。例如：
# 判斷輪廓是否近似圓形（周長/面積關係）
perimeter = cv2.arcLength(best_contour, closed=True) # 輪廓周長
area = cv2.contourArea(best_contour)
circularity = 4 * np.pi * area / (perimeter ** 2) # 圓形度（越接近1越圓）
if circularity > 0.8:
print("識別到圓形！")
總結¶
輪廓識別是計算機視覺的基礎技能，通過OpenCV的預處理、邊緣檢測和輪廓提取，就能快速定位圖像中的目標物體。初學者可以從簡單圖像（如幾何圖形）開始練習，逐步嘗試複雜場景（如車牌識別、人臉識別）。關鍵是理解每個步驟的作用，並通過調整參數（如閾值、面積）優化結果。