😶‍🌫️😶‍🌫️😶‍🌫️😶‍🌫️Take your time ! 😶‍🌫️😶‍🌫️😶‍🌫️😶‍🌫️
💥个人主页：🔥🔥🔥大魔王🔥🔥🔥
💥所属专栏：🔥魔王的修炼之路–Computer vision🔥
如果你觉得这篇文章对你有帮助，请在文章结尾处留下你的点赞👍和关注💖，支持一下博主。同时记得收藏✨这篇文章，方便以后重新阅读。

检测轮廓

import cv2
import numpy as npcv2.namedWindow("win", cv2.WINDOW_NORMAL)# 自己创建图像
# # (y,x)
# img = np.zeros((480, 640, 3), np.uint8)# # 绘制一个长方形（x,y）
# cv2.rectangle(img, (100, 50), (500, 400), (255, 255, 255), 2) # 这需要是白色，因为在灰度图转为二值图时，阈值的影响。
# # 具体原因：彩色图转为灰度图后，灰度图对应的数字低于阈值，在转的时候就跟着黑色背景也变为了黑色，所以就检测不到轮廓了。
# # 二值化的阈值要小于灰度图里你想保留的区域的灰度值，否则就变成背景，轮廓自然找不到。# 读取图像
img = cv2.imread("../images/3.jpg")print(img.shape) # 形状# 彩色图转为灰度图（单通道）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 二值化（只能从灰度图转过来）
# 参数：灰度图（单通道）；阈值；最大值（即高于阈值设置为多少）；阈值处理类型
# 返回值：实际使用的阈值（一般就是你输入的阈值）；二值图
# 单词意思：threshold，阈值。
ret, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY) #  + cv2.THRESH_OTSU# 查找轮廓（一般都转换成灰度图查找）：普通绘制轮廓、多边形逼近、凸包，都必须在查找轮廓后进行！
# 参数：二值图；怎么查找轮廓（即下标顺序以及是否查找内部轮廓）；表示怎么记录轮廓，当前的是只记录关键点
# 返回值：轮廓（点的集合）；层级关系
contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) # 打印轮廓（点集）
# print(contours)# 绘制轮廓
# 参数：原图（因为轮廓已经有了，不用二值图了，也不能绘制在二值图）；轮廓；绘制哪个轮廓（-1 全部绘制）；颜色；粗细（-1 填充外部空间）
cv2.drawContours(img, contours, -1, (0, 0, 255), 3) # 第二个参数需要是多个轮廓的列表，正好 findContours() 返回的就是# # 绘制最大轮廓，因为很乱
# # 找到最大轮廓
# max_contour = max(contours, key=cv2.contourArea)
# # 绘制最大轮廓
# cv2.drawContours(img, [max_contour], -1, (0, 0, 255), 2)# 计算面积
area = cv2.contourArea(contours[0])
print(type(area))
print(f"area = {area}")# 计算周长
# 参数：计算哪个轮廓周长；是否计算首尾相连的长度
len = cv2.arcLength(contours[0], True)
print(len)# 多边形逼近：一次只能处理一个轮廓
# 参数：通常取1%~5% 周长
e = 20 # 精度 
approx = cv2.approxPolyDP(contours[0], e, True) # 返回的是一个轮廓逼近后的数据
# cv2.drawContours(img, [approx], -1, (0, 0, 255)) # 第二个参数需要是多个轮廓的列表# 凸包：一次只能处理一个轮廓
hull = cv2.convexHull(contours[0])# 返回的是一个轮廓逼近后的数据
cv2.drawContours(img, [approx], -1, (0, 0, 255)) # 第二个参数需要是多个轮廓的列表cv2.imshow("win", img)key = cv2.waitKey(0)
if key & 0xff == ord('q'):cv2.destroyAllWindows()

numpy 创建矩阵与数组

将彩色图转换为灰度图，是为了简化通道；二值化，是为了突出目标和背景；这样才能稳定高效地提取轮廓。

目标	用途	推荐函数（不绝对，看你怎么给结构）	示例
创建图像矩阵	用作图像（黑、白、灰背景）	np.zeros / ones / full（np.uint8）	np.zeros((H, W, 3), np.uint8)
创建点集数组	用于轮廓、多边形坐标	np.array([...], np.int32)	np.array([(x1,y1), (x2,y2), ...])
返回的数据类型	都是	np.ndarray（NumPy数组）	可直接传给 OpenCV 绘图/处理函数

三种图像的区别及转换

步骤	数据形式	通道数	优点	用途
彩色图像	[B, G, R]	3	色彩丰富	原始图、显示用
灰度图像	[0~255]	1	亮度信息，降维	边缘检测、二值化前处理
二值图像	0或255	1	背景/前景分明，适合分析形状	查找轮廓、区域分析
轮廓数据	一组点坐标	N/A	表示物体边界（如矩形、曲线）	识别目标、标注框、形状分析等

操作	OpenCV 函数
彩色 → 灰度	cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
灰度 → 二值	cv2.threshold()
边缘检测（可选）	cv2.Canny()
轮廓查找	cv2.findContours()
绘制轮廓	cv2.drawContours()

() 与 [] 应用

[] 是列表：可变的、常用的点集、数组等：

[1, 2, 3]                          # Python 列表
[(100, 100), (200, 200)]          # 点集（列表嵌套元组）
np.array([[1,2], [3,4]])          # 用列表构造数组（array 一般用于点集，数组即图片用 zeros\ones\full等）

() 是元组：不可变，很多坐标点（以及 shape）就是元组

(100, 200)                        # 一个点的坐标（x, y）
(200, 200, 3)                     # 图像的 shape

⚠️ 注意：在 Python 中 (x, y) 和 [x, y] 都能表示坐标，但 元组更常见更推荐。

---

数组索引/切片 → []

数组访问用 []，绝不能用 ()：

img[0, 0]                 # 访问图像的第一个像素（BGR 值）
gray[100:200, 50:100]     # 切片区域
pts[0]                    # 第一个点

---

典型例子对比

场景	示例代码	说明
✅ 调用函数	cv2.threshold(..., ...)	函数调用，传入参数 → 用小括号 ()
✅ 创建数组	np.zeros((200, 200, 3), np.uint8)	函数里再传个元组 (H, W, C) → ()
✅ 创建点集	pts = np.array([(x1, y1), (x2, y2)], np.int32)	列表 [] 里嵌套元组 ()
✅ 数组索引	img[100, 50]	图像访问，用方括号 []

总结口诀：

🔹 函数要调用，用 ()
🔹 列表元素，用 []
🔹 点的坐标，用 ()（元组更常见）
🔹 数组取值，也用 []

• 博主长期更新，博主的目标是不断提升阅读体验和内容质量，如果你喜欢博主的文章，请点个赞或者关注博主支持一波，我会更加努力的为你呈现精彩的内容。

🌈专栏推荐
😈魔王的修炼之路–C语言
😈魔王的修炼之路–数据结构
😈魔王的修炼之路–C++
😈魔王的修炼之路–QT
😈魔王的修炼之路–算法
😈魔王的修炼之路–力扣
😈魔王的修炼之路–牛客
😈魔王的修炼之路–剑指offer
😈魔王的修炼之路–Linux
😈魔王的修炼之路–Computer vision
更新不易，希望得到友友的三连支持一波。收藏这篇文章，意味着你将永久拥有它，无论何时何地，都可以立即找到重新阅读；关注博主，意味着无论何时何地，博主将永久和你一起学习进步，为你带来有价值的内容。