什么是图像轮廓
在前面的边缘检测中，虽然我们能够检测出边缘信息，但边缘是不连续的，检测到的边缘并不是一个整体。而图像的轮廓负责将边缘连接起来形成一个整体，用于后续的计算。
需要特别注意，图像的轮廓是非常重要的一个特征信息，通过对图像轮廓的操作，我们能够获取目标图像的大小，位置以及方向等信息。
查找图像轮廓
图像中一个轮廓对应着一系列的点，这些点以某种形式表示图像中的一条曲线。在OpenCV中，它给我们提供了函数cv2.findContours()用于查找图像的轮廓，并能够根据参数返回特定表示方式的轮廓。
该函数的完整定义如下：
def findContours(image, mode, method, contours=None, hierarchy=None):
image：原始图像，所有非0值处理为1，所有0值保持不变
mode：轮廓检索模式
参数 |
含义 |
| cv2.RETR_EXTERNAL | 只检测外轮廓 |
| cv2.RETR_LIST | 对检测到的轮廓不建立等级关系 |
| cv2.RETR_CCOMP | 检测所有轮廓并将它们组织成两级层次关系。上层为外边界，下层为内孔边界。如果内孔内还有一个连同物体，那么这个物体的边界仍然位于顶层 |
| cv2.RETR_TREE | 建立一个等级树结构轮廓 |
method：轮廓的近似方法
参数 |
含义 |
| cv2.CHAIN_APPROX_NONE | 存储所有的轮廓点，相邻两个点的像素位置差不超过1 |
| cv2.CHAIN_APPROX_SIMPLE | 压缩水平方向，垂直方向，对象线方向的元素，只保留该方向的终点坐标。例如，在极端的情况下，一个矩形只需要用4个点来保存轮廓信息 |
| cv2.CHAIN_APPROX_TC89_L1 | 使用teh_Chinl chain近似算法的一种风格 |
cv2.CHAIN_APPROX_TC89_KCOS |
使用teh_Chinl chain近似算法的一种风格 |
contours：返回的轮廓。比如一个图像中有3个不交叉的形状：圆，矩形以及正反向。那么它就是一个长度为3的list，也就是有3个轮廓，contours[i][j]就是第i个轮廓的第j个点。
当然，图像的轮廓并不一定是不交叉的，假如几个形状的轮廓相互交叉，那么就形成了父子关系，contours[i]用4个元素来说明轮廓的层次关系。
Next：后一个轮廓的索引编号
Previous：前一个轮廓的索引编号
First_Child：第一个子轮廓的索引编号
Parent：父轮廓的索引编号
如果上面参数都为空，也就是前面讲的各个形状轮廓不交叉的情况。且值为“-1”。
特别注意，轮廓的层次结构是由参数mode决定的，也就是说，使用不同的mode，得到的轮廓编号是不一样的，hierarchy也不一样。
hierarchy：图像的拓扑信息
其返回值为3个参数：image，contours以及hierarchy。而在OpenCV4.X版本中，该函数返回值只有两个：contours，hierarchy。
下面，我们重点讲解参数mode。
参数mode
（1） cv2.RETR_EXTERNAL （只检测外轮廓）
假如我们现在我们图像如上图所示，当我们采用 cv2.RETR_EXTERNAL参数时，hierarchy的拓扑信息为：
[[
[1 -1 -1 -1]
[-1 0 -1 -1]
]]
[1 -1 -1 -1]这4个参数分别对应contours的4个元素。
Next1：也就是表示它后一个轮廓，这里0的后一个轮廓为1
Previous-1：第0个轮廓没有前一个轮廓
First_Child-1：0它不存在子轮廓
Parent-1：0它也不存在父轮廓
[-1 0 -1 -1]对应图像1，意思分别如下：
-1 ：1轮廓不存在下一个轮廓
0：第1个轮廓有前一个0轮廓，所以为0
-1 ：1它不存在子轮廓
-1：1它也不存在父轮廓
其拓扑结构如下：
（2） cv2.RETR_LIST（对检测到的轮廓不建立等级关系）
假设我们使用原图如上所示，那么hierarchy的值为：
[[
[1 -1 -1 -1]
[2 0 -1 -1]
[-1 1 -1 -1]
]]
[1 -1 -1 -1]含义：
1 ：0轮廓的下一个轮廓是1，故返回1
-1：第0个轮廓没有前轮廓，所以为-1
-1 ：0它不存在子轮廓
-1：0它也不存在父轮廓
[2 0 -1 -1]含义：
2：1轮廓的下一个轮廓是2，故返回2
0：第1个轮廓前轮廓为0，所以值为0
-1 ：1它不存在子轮廓
-1：1它也不存在父轮廓
[-1 1 -1 -1]含义：
-1：2轮廓没有下一个轮廓，故返回-1
1：第2个轮廓前轮廓为1，所以值为1
-1 ：2它不存在子轮廓
-1：2它也不存在父轮廓
此关系的拓扑结构为：
（3） cv2.RETR_CCOMP（建立两个等级的轮廓）
当mode参数为 cv2.RETR_CCOMP，原图如上所示，其hierarchy值为：
[[
[1 -1 -1 -1]
[-1 0 2 -1]
[-1 -1 -1 1]
]]
[1 -1 -1 -1]含义如下：
1：0轮廓的下一个轮廓为1，故返回1
-1：第0个轮廓没有前轮廓，所以值为-1
-1 ：0它不存在子轮廓
-1：0它也不存在父轮廓
[-1 0 2 -1]含义如下：
-1：1轮廓没有下一个轮廓，故返回-1
0：第1个轮廓前轮廓为0，所以值为0
2 ：第1个轮廓的子轮廓为2，所以值为2
-1：第1个轮廓它也不存在父轮廓
[-1 -1 -1 1]含义如下：
-1：2轮廓没有下一个轮廓，故返回-1
-1：第2个轮廓前轮廓不存在，所以值为-1
-1：第2个轮廓也不存在子轮廓
1：第2个轮廓父轮廓为1，所以取值为1
其拓扑结构如下：
（4） cv2.RETR_TREE（建立一个等级树结构轮廓）
当图还是（3）图时，其mode取值为 cv2.RETR_TREE，返回的hierarchy的值为：
[[
[1 -1 -1 -1]
[-1 0 2 -1]
[-1 -1 -1 1]
]]
[1 -1 -1 -1]含义如下：
1：0轮廓下一个轮廓为1，故返回1
-1：第0个轮廓前轮廓不存在，所以值为-1
-1：第0个轮廓也不存在子轮廓
-1：第0个轮廓也不存在父轮廓
[-1 0 2 -1]含义如下：
-1：1轮廓没有下一个轮廓，故返回-1
0：第1个轮廓前轮廓为0，所以值为0
2：第1个轮廓存在子轮廓2，所以取值为2
-1：第1个轮廓不存在父轮廓
[-1 -1 -1 1]含义如下：
-1：2轮廓没有下一个轮廓，故返回-1
-1：第2个轮廓没有前轮廓，所以值为-1
-1：第2个轮廓不存在子轮廓
1：第2个轮廓存在父轮廓1，取值为1
拓扑结构也是（3）图。
绘制图像轮廓
在OpenCV中，它给我们提供了cv2.drawContours()来绘制图像轮廓，其完整定义如下：
def drawContours(image, contours, contourIdx, color, thickness=None, lineType=None, hierarchy=None, maxLevel=None, offset=None):
image：待绘制轮廓的图像
contours：需要绘制的轮廓
contourIdx：需要绘制的边缘索引，-1表示绘制所有，0以及正数表示绘制对应的轮廓。
color：绘制的颜色
thickness：绘制轮廓的画笔，取值为“-1”表示绘制实心轮廓
lineType：绘制轮廓的线型
hierarchy：对应函数cv2.findContours()所输出的层次信息
maxLevel：控制所绘制的轮廓层次的深度，如果值为0表示只绘制第0层
offset：偏移参数，是绘制的轮廓偏移一定的位置
下面，我们来实战绘制图像的轮廓，具体代码如下所示：
import cv2 img = cv2.imread("24.jpg") cv2.imshow("img", img) # 转换为灰度图像 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为二值图 ret, binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) # 获取图像的轮廓参数 contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) result = cv2.drawContours(img, contours, -1, (0, 0, 255), 5) cv2.imshow("result", result) cv2.waitKey() cv2.destroyAllWindows()
运行之后，效果如下：
不过这种并不是终极目的，我们获取轮廓的目的是将图像分离，也就是我现在向获取这3个轮廓的单一子图怎么办呢？直接上代码吧。
import cv2 import numpy as np img = cv2.imread("24.jpg") cv2.imshow("img", img) # 转换为灰度图像 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为二值图 ret, binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) # 获取图像的轮廓参数 contours, hierarchy = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) result = [] for i in range(len(contours)): temp = np.zeros(img.shape, dtype=np.uint8) result.append(temp) result[i] = cv2.drawContours(result[i], contours, i, (0, 0, 255), 5) cv2.imshow(str(i), result[i]) cv2.waitKey() cv2.destroyAllWindows()
运行之后，我们就能分离出各个图形了。
图像轮廓结合按位与获取图像前景对象
除了分离纯粹的图像轮廓用于机器学习识别之外，我们还可以获取图像的前景对象。这里，我们只需要更换图像，修改最后几行代码。
具体代码如下所示：
import cv2 import numpy as np img = cv2.imread("4.jpg") cv2.imshow("img", img) # 转换为灰度图像 img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转换为二值图 ret, binary = cv2.threshold(img_gray, 127, 255, cv2.THRESH_BINARY) # 获取图像的轮廓参数 contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE) mask = np.zeros(img.shape, dtype=np.uint8) mask = cv2.drawContours(mask, contours, -1, (255, 255, 255), -1) cv2.imshow("MASK",mask) result=cv2.bitwise_and(img,mask) cv2.imshow("result",result) cv2.waitKey() cv2.destroyAllWindows()
运行之后，效果如下所示：
最左边的是原始图像
中间的是从原始图像得到的人物实心轮廓
最右边的是提取的前景对象人物
