OpenCV基础续：轮廓检测与模板匹配

OpenCV基础续：轮廓检测与模板匹配

摘要：本文系统梳理了 OpenCV 中轮廓检测与分析的核心知识，涵盖轮廓检测、轮廓绘制、轮廓特征（面积/周长/外接圆/外接矩形）、轮廓近似以及模板匹配，并提供了完整的 Python 代码示例。

📌 前言

在上一篇中我们学习了图像形态学和边缘检测。当我们通过边缘检测或二值化找到了物体的边界后，下一步通常就是提取这些边界的轮廓——它们是目标识别、形状分析、物体计数等任务的重要基础。本文将结合实战代码，带你系统掌握 OpenCV 的轮廓检测、绘制、特征分析、近似以及模板匹配技术。

一、 轮廓检测

轮廓是指图像中具有相同颜色或强度的连续边界点集合。在 OpenCV 中使用 cv2.findContours() 函数进行轮廓检测。

函数签名与参数

contours, hierarchy = cv2.findContours(img, mode, method)

注意：OpenCV 2~3 版本会返回 image、contours、hierarchy 三个返回值，OpenCV 4 之后仅返回轮廓与层级。跨版本兼容写法：cv2.findContours(...)[-2]

输入参数：

mode（轮廓检索模式）：

method（轮廓近似储存方式）：

返回参数：

⚠️ 重要注意事项：

1. 该函数只会识别白色的前景目标，若目标为黑色需要图像像素取反
2. 查找轮廓操作会改动原图，不想修改原图需要传入图像副本
3. 单层外圈物体选用 RETR_EXTERNAL；多层嵌套轮廓使用 RETR_TREE；日常优先使用 CHAIN_APPROX_SIMPLE 压缩轮廓点

代码示例

import cv2

phone = cv2.imread('Phone_pen.png')                                      # 读取原图
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)                     # 灰度图的处理
cv2.imshow('phone_gray', phone_gray)
cv2.waitKey(0)

ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)  # 二值化，阈值120
cv2.imshow('phone_binary', phone_binary)
cv2.waitKey(0)

# cv2.RETR_TREE：获取所有轮廓，搭建完整嵌套式树形层级结构。
contours = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)[-2]
# cv2.RETR_EXTERNAL：只检测外层轮廓，忽略所有内部嵌套轮廓；
contours1 = cv2.findContours(phone_binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2]
# cv2.CHAIN_APPROX_NONE：保存轮廓线上全部像素坐标点；
contours2 = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]
print(len(contours))

输出展示：

原图	灰度图（phone_gray）	二值图（phone_binary）

三种不同参数组合检测到的轮廓数量不同，绘制效果对比如下：

RETR_TREE（完整层级，8个轮廓）	RETR_EXTERNAL（仅外层，4个轮廓）

控制台输出：

8

可以看到 RETR_EXTERNAL 只检出了 3 个最外层轮廓（手机外框、钢笔主体、笔帽），而 RETR_TREE 检出了 8 个轮廓，包含了内部的所有细节。

小结

轮廓检测的前置条件是先获得二值图（灰度化 → 二值化）。mode 参数决定了轮廓之间的层级关系结构，method 参数决定了轮廓点的存储方式。日常最常用的组合是 RETR_TREE + CHAIN_APPROX_SIMPLE，既获取完整层级又节省内存。

二、 轮廓的绘制

检测到轮廓后，通常需要把它们画在图像上以便可视化观察。OpenCV 提供 cv2.drawContours() 函数完成这项工作。

函数签名与参数

cv2.drawContours(image, contours, contourIdx, color, thickness=None,
                 lineType=None, hierarchy=None, maxLevel=None, offset=None)

代码示例

# 绘制 contours（RETR_TREE，全部8个轮廓）
image_copy = phone.copy()                                                # 创建副本，避免修改原图
cv2.drawContours(image=image_copy, contours=contours, contourIdx=-1, color=(0,255,0), thickness=2)  # -1表示绘制所有轮廓，绿色线宽2
cv2.imshow('Contours_show', image_copy)
cv2.waitKey(0)

# 绘制 contours1（RETR_EXTERNAL，仅3个外层轮廓）
image_copy1 = phone.copy()
cv2.drawContours(image=image_copy1, contours=contours1, contourIdx=-1, color=(0,255,0), thickness=2)
cv2.imshow('Contours_show1', image_copy1)
cv2.waitKey(0)

# 再次绘制 contours1
image_copy1 = phone.copy()
cv2.drawContours(image=image_copy1, contours=contours1, contourIdx=-1, color=(0,255,0), thickness=2)
cv2.imshow('Contours_show1', image_copy1)
cv2.waitKey(0)

# 绘制 contours2（CHAIN_APPROX_NONE，全像素点保存）
image_copy2 = phone.copy()
cv2.drawContours(image=image_copy2, contours=contours2, contourIdx=-1, color=(0,255,0), thickness=2)
cv2.imshow('Contours_show1', image_copy2)
cv2.waitKey(0)

cv2.destroyAllWindows()                                                  # 销毁所有窗口

输出展示：

Contours_show（RETR_TREE 全轮廓）	Contours_show1（RETR_EXTERNAL 外轮廓）

第三个窗口与第二个窗口效果相同（重复绘制了 contours1）。第四个窗口绘制的是 CHAIN_APPROX_NONE 的结果，视觉上与第一组差异不大，但内部存储的轮廓点数量要多得多（3238 个点 vs 538 个点）：

CHAIN_APPROX_SIMPLE（538个点）	CHAIN_APPROX_NONE（3238个点）

小结

绘制轮廓前一定要用 phone.copy() 创建副本，避免污染原图。contourIdx=-1 是最常用的参数，表示一次性画出所有轮廓。若只想画某一个特定轮廓，传入它在 contours 列表中的索引即可。

三、 轮廓特征

轮廓本身携带了大量几何信息，常用的轮廓特征包括面积、周长、外接圆和外接矩形。利用这些特征可以完成按面积筛选、定位最大目标、规则框出物体等实用操作。

函数签名与参数

1. 轮廓面积：

retval = cv2.contourArea(contour[, oriented])

2. 轮廓周长：

retval = cv2.arcLength(curve, closed)

3. 外接圆： cv2.minEnclosingCircle(cnt) → 返回 ((x, y), r)，即圆心坐标和半径

4. 最小外接矩形： cv2.boundingRect(cnt) → 返回 (x, y, w, h)，即左上角坐标和宽高

代码示例

phone = cv2.imread('Phone_pen.png')
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)
contours = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)[-2]

# ---------- 1. 计算面积和周长 ----------
area_0 = cv2.contourArea(contours[0])                                    # 第0个轮廓的面积
print(area_0)
area_1 = cv2.contourArea(contours[1])                                    # 第1个轮廓的面积
print(area_1)
# arcLength(InputArray curve, bool closed) 轮廓周长
# curve，输入的二维点集(轮廓顶点)，可以是 vector 或 Mat 类型。
# closed，用于指示曲线是否封闭。
length = cv2.arcLength(contours[0], True)                                # True表示轮廓是封闭的
print(length)

# ---------- 2. 根据面积筛选轮廓 ----------
a_list = []
for i in contours:                                                       # 遍历所有轮廓
    if cv2.contourArea(i) > 10000:                                       # 只保留面积大于10000的
        a_list.append(i)
image_copy = phone.copy()
image_copy = cv2.drawContours(image=image_copy, contours=a_list, contourIdx=-1, color=(0,255,0), thickness=3)
cv2.imshow('Contours_show_10000', image_copy)
cv2.waitKey(0)

# ---------- 3. 轮廓定位好方法：根据轮廓面积进行排序 ----------
sortcnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]         # 选取最大面积的轮廓
image_contours = cv2.drawContours(image_copy, [sortcnt], contourIdx=-1, color=(0,0,255), thickness=3)  # 红色粗线标注最大轮廓
cv2.imshow('image_contours', image_contours)
cv2.waitKey(0)

# ---------- 4. 外接圆、外接矩形 ----------
cnt = contours[6]
(x, y), r = cv2.minEnclosingCircle(cnt)                                  # 计算轮廓的外接圆，返回圆心(x,y)和半径r
phone_circle = cv2.circle(phone, (int(x), int(y)), int(r), (255, 0, 0), 2)  # 绘制外接圆，蓝色线宽2
cv2.imshow('phone_circle', phone_circle)
cv2.waitKey(0)

x, y, w, h = cv2.boundingRect(cnt)                                       # 计算轮廓的最小外接矩形，返回左上角(x,y)和宽高(w,h)
phone_rectangle = cv2.rectangle(phone, (x, y), (x+w, y+h), (255, 0, 0), 2)  # 在图像上绘制矩形，蓝色线宽2
cv2.imshow('phone_rectangle', phone_rectangle)
cv2.waitKey(0)

cv2.destroyAllWindows()

输出展示：

（1）面积与周长（控制台输出）：

852.0
638.0
236.5

实际数值取决于二值化后的轮廓顺序，读者运行时以实际输出为准。

（2）面积大于 10000 的轮廓（Contours_show_10000）：

绿色粗线标出了面积超过 10000 的 4 个轮廓，小面积的噪点轮廓被自动过滤。

（3）最大面积轮廓（image_contours）：

红色粗线即为按面积排序后取出的最大轮廓，叠加在上一步绿色轮廓之上。

（4）外接圆与外接矩形：

phone_circle（仅外接圆）	phone_rectangle（外接圆 + 外接矩形）

代码中两次绘制操作都是在同一个 phone 原图上进行：先画外接圆得到 phone_circle（左图，仅蓝色圆），再在同一张图上画外接矩形得到 phone_rectangle（右图，蓝色圆和蓝色矩形同时存在）。

小结

contourArea() 和 arcLength() 是最基础的两个数值特征，常用于筛选和阈值判断。按面积排序（sorted(key=cv2.contourArea, reverse=True)）是定位目标最实用的技巧，一行代码即可找出整张图中最大的物体。minEnclosingCircle() 和 boundingRect() 分别提供了圆形和轴对齐矩形两种"框出目标"的方式。

四、 轮廓近似

实际场景中检测到的轮廓可能包含成百上千个点，但如果目标本质上是一个规则多边形（矩形、三角形、六边形），我们完全可以用更少的点来近似它。OpenCV 使用 Douglas-Peucker 算法实现轮廓近似。

函数签名与参数

approx = cv2.approxPolyDP(curve, epsilon, closed)

💡 epsilon 经验设置方法：通常取轮廓周长的 1%~10%，即 epsilon = 0.01 * cv2.arcLength(cnt, True)，这样可以自适应不同大小的物体。

代码示例

phone = cv2.imread('Phone_pen.png')
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)
ret, phone_thresh = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)  # 二值化

# 获取轮廓（注意此处使用 CHAIN_APPROX_NONE 保留全部点）
contours = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]

epsilon = 0.01 * cv2.arcLength(contours[0], True)                        # 设置近似精度 = 周长的1% 【epsilon越小，点越多，越精确】
apporx = cv2.approxPolyDP(contours[0], epsilon, True)                    # 对轮廓进行近似，True表示封闭轮廓

print(contours[0].shape)                                                 # 原轮廓的形状（点数量）
print(apporx.shape)                                                      # 近似后的形状（点数量）

phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new, [apporx], -1, (255, 0, 0), 3)  # 绘制近似后的轮廓，蓝色线宽3
cv2.imshow('phone', phone)                                               # 先展示原图
cv2.waitKey(0)
cv2.imshow('image_contours', image_contours)                             # 再展示近似轮廓
cv2.waitKey(0)
cv2.destroyAllWindows()

输出展示：

（1）控制台输出（形状对比）：

(759, 1, 2)
(8, 1, 2)

实际运行时，contours[0]（iPhone 灰色手机外轮廓）原本有 759 个点，经过 1% 周长精度的近似后，仅保留了 8 个点（对应手机的四个圆角各两个点），压缩效果非常明显。

（2）视觉对比：

原图（phone 窗口）	近似轮廓（image_contours 窗口，蓝色粗线）

代码执行时先弹出 phone 窗口展示原图，按键后再弹出 image_contours 窗口，蓝色粗轮廓即为 approxPolyDP 近似后的结果（原轮廓被绘制了 8 个顶点的闭合多边形，完美贴合手机的圆角矩形轮廓）。

（3）不同 epsilon 精度对比：

为了更直观地看出 epsilon 对结果的影响，下方列出 1%、10% 两种精度的对比图（绿色为原轮廓，红色为近似结果，蓝色圆点为近似后保留的顶点）：

epsilon = 1% × 周长	epsilon = 10% × 周长
759 点 → 8 点（贴合圆角）	759 点 → 4 点（标准矩形）

随着 epsilon 增大，保留的顶点越来越少，轮廓从贴近真实圆角形状逐渐变成了规整的矩形。

小结

轮廓近似的核心参数是 epsilon，它是一个距离阈值：原轮廓上的点到近似多边形的最大距离不超过 epsilon。经验公式 epsilon = k * cv2.arcLength(cnt, True)（k 取 0.01~0.1）可以自适应不同大小的轮廓。近似后得到的点数可以直接用来做形状分类：例如 3 个点 → 三角形、4 个点 → 四边形。

五、 模板匹配

模板匹配是一种在大图（待搜索图）中寻找与小图（模板）最相似区域的方法。它无需训练、使用简单，在目标姿态固定的场景中非常实用。

函数签名与参数

result = cv2.matchTemplate(image, templ, method, result=None, mask=None)

6 种匹配方法：

返回值 result 是一个匹配结果矩阵，其尺寸为 (源图高 - 模板高 + 1, 源图宽 - 模板宽 + 1)，矩阵中每个元素表示模板滑动到该位置时与源图的匹配程度。找出最佳匹配位置需要配合 cv2.minMaxLoc() 使用。

代码示例

import cv2

# 1. 读取图像：kele 为待搜索的源图像（大图），template 为模板图像（小图）
kele = cv2.imread('kele.png')
template = cv2.imread('template.png')

# 2. 先展示两张原图，方便观察对比
cv2.imshow('kele', kele)
cv2.imshow('template', template)
cv2.waitKey(0)                                                           # 按任意键继续

# 3. 获取模板的高 h 和宽 w
#    shape 返回 (高, 宽, 通道数)，取前两位即为 h, w
#    后面画矩形时需要用它计算右下角坐标
h, w = template.shape[:2]

# 4. 模板匹配核心函数 cv2.matchTemplate
#    参数1: 源图像(大图)
#    参数2: 模板图像(小图)
#    参数3: 匹配方法。TM_CCOEFF_NORMED 为"归一化相关系数匹配"
#           结果范围 [-1, 1]，越接近 1 表示匹配度越高
#    返回值 res 是一个矩阵，其尺寸为 (源图高-h+1, 源图宽-w+1)
#    矩阵中每个元素表示模板滑动到该位置时与源图的匹配程度
res = cv2.matchTemplate(kele, template, cv2.TM_CCOEFF_NORMED)

# 5. 从匹配结果矩阵中找出最值
#    cv2.minMaxLoc 返回四个值:
#       min_val  : 矩阵中的最小值
#       max_val  : 矩阵中的最大值（即最佳匹配度）
#       min_loc  : 最小值所在的坐标 (x, y)
#       max_loc  : 最大值所在的坐标 (x, y) —— 即模板左上角在源图中的位置
#    由于使用的是 TM_CCOEFF_NORMED（越大越匹配），所以取 max_loc 作为匹配位置
min_val, max_val, min_loc, max_loc = cv2.minMaxLoc(res)

# 6. 由左上角坐标和模板宽高，计算出匹配区域的右下角坐标
top_left = max_loc                                                       # 匹配区域左上角 (x, y)
bottom_right = (top_left[0] + w, top_left[1] + h)                        # 匹配区域右下角 (x+w, y+h)

# 7. 在源图上绘制矩形框，标出匹配到的区域
#    cv2.rectangle(img, pt1, pt2, color, thickness)
#    pt1=左上角, pt2=右下角, color=(255,0,0) 为蓝色(BGR), 线宽 2
#    注意: 该函数会在原图上直接绘制(in-place)，建议用副本避免原图被修改
kele_template = cv2.rectangle(kele, top_left, bottom_right, (255, 0, 0), 2)

# 8. 显示标注后的结果图
cv2.imshow('kele_template', kele_template)
cv2.waitKey(0)                                                           # 按任意键关闭
cv2.destroyAllWindows()                                                  # 销毁所有窗口

输出展示：

（1）两张原图：

待搜索源图 kele（大图）	模板 template（小图）

（2）匹配结果（kele_template）：

蓝色矩形框准确标出了模板在源图中的匹配位置。TM_CCOEFF_NORMED 匹配值为 0.9990，非常接近 1，说明匹配度极高。

（3）三种归一化方法对比：

TM_CCOEFF_NORMED（越大越好）	TM_CCORR_NORMED（越大越好）	TM_SQDIFF_NORMED（越小越好）

| 匹配值: 0.9990 ✅ | 匹配值: 0.9998 ✅ | 匹配值: 0.0004 ✅ |

三种归一化方法在本例中都成功定位到了目标位置。

小结

模板匹配的标准流程为：读图 → 取模板尺寸 → matchTemplate → minMaxLoc 取最值 → 根据 method 选最佳位置 → rectangle 画框。带 _NORMED 后缀的归一化方法对光照变化更鲁棒，优先使用 TM_CCOEFF_NORMED。对于 SQDIFF 系列，匹配越好值越小，要用 min_loc；其他方法匹配越好值越大，要用 max_loc。模板匹配的局限性是对旋转、缩放、形变敏感。

全文总结

本文系统学习了 OpenCV 中轮廓检测与分析、模板匹配两大核心模块，核心知识点梳理如下：