快捷導(dǎo)航

基于OpenCV的圖像邊緣檢測與輪廓分析

更新時間：2026年01月19日 08:23:01 作者：子夜江寒

本文介紹了圖像處理中的邊緣檢測和輪廓分析方法,文中通過示例代碼介紹的非常詳細(xì),對大家的學(xué)習(xí)或者工作具有一定的參考學(xué)習(xí)價值,需要的朋友們下面隨著小編來一起學(xué)習(xí)學(xué)習(xí)吧

一、邊緣檢測方法

1. Sobel算子邊緣檢測

Sobel算子通過計算圖像灰度函數(shù)的梯度來檢測邊緣，分別計算水平和垂直方向的梯度，然后合并得到完整邊緣圖像。

import cv2

pic = cv2.imread(r"picture_1.jpg", 0)
pic_x_64 = cv2.Sobel(pic, cv2.CV_64F, dx=1, dy=0)
pic_x_full = cv2.convertScaleAbs(pic_x_64)
pic_y_64 = cv2.Sobel(pic, cv2.CV_64F, dx=0, dy=1)
pic_y_full = cv2.convertScaleAbs(pic_y_64)
pic_xy_sobel_full = cv2.addWeighted(pic_x_full, 1, pic_y_full, 1, 0)

參數(shù)分析：

cv2.CV_64F：輸出圖像的深度，64位浮點數(shù)類型
dx=1, dy=0：計算x方向（水平）梯度
dx=0, dy=1：計算y方向（垂直）梯度
cv2.convertScaleAbs()：將負(fù)梯度值轉(zhuǎn)換為絕對值并縮放

2. Scharr算子邊緣檢測

Scharr算子是Sobel算子的改進版本，對邊緣的響應(yīng)更敏感，能檢測到更細(xì)微的邊緣變化。

pic = cv2.imread(r"picture_1.jpg", cv2.IMREAD_GRAYSCALE)
pic_x_64 = cv2.Scharr(pic, cv2.CV_64F, dx=1, dy=0)
pic_x_full = cv2.convertScaleAbs(pic_x_64)
pic_y_64 = cv2.Scharr(pic, cv2.CV_64F, dx=0, dy=1)
pic_y_full = cv2.convertScaleAbs(pic_y_64)
pic_xy_scharr_full = cv2.addWeighted(pic_x_full, 1, pic_y_full, 1, 0)

3. Laplacian邊緣檢測

Laplacian算子基于二階導(dǎo)數(shù)，能同時檢測圖像的兩個方向的邊緣，對噪聲更敏感但能檢測到更精細(xì)的邊緣。

pic = cv2.imread(r"picture_1.jpg", cv2.IMREAD_GRAYSCALE)
pic_lap = cv2.Laplacian(pic, cv2.CV_64F, ksize=3)
pic_lap_full = cv2.convertScaleAbs(pic_lap)

參數(shù)分析：

ksize=3：拉普拉斯核的大小，必須為正奇數(shù)

4. Canny邊緣檢測

Canny邊緣檢測是多階段算法，包括高斯濾波、梯度計算、非極大值抑制和雙閾值檢測，是效果最好的邊緣檢測算法之一。

pic = cv2.imread(r"picture_1.jpg", cv2.IMREAD_GRAYSCALE)
pic_canny = cv2.Canny(pic, 100, 150)

參數(shù)分析：

100：低閾值，低于此值的邊緣被丟棄
150：高閾值，高于此值的邊緣被保留為強邊緣

二、圖像輪廓分析

1. 輪廓提取基礎(chǔ)

輪廓提取需要先將圖像轉(zhuǎn)換為二值圖像，然后使用findContours函數(shù)查找輪廓。

# 灰度圖處理
phone = cv2.imread(r"picture_1.jpg")
phone = cv2.resize(phone, dsize=None, fx=0.4, fy=0.4)
phone_gray = cv2.cvtColor(phone, cv2.COLOR_BGR2GRAY)

# 閾值處理為二值圖像
ret, phone_binary = cv2.threshold(phone_gray, 120, 255, cv2.THRESH_BINARY)

# 查找輪廓
_, contours, hierarchy = cv2.findContours(phone_binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)

print(len(contours))

參數(shù)分析：

cv2.THRESH_BINARY：閾值化類型，大于閾值設(shè)為255，小于設(shè)為0
cv2.RETR_TREE：輪廓檢索模式，檢索所有輪廓并重建完整的層次結(jié)構(gòu)
cv2.CHAIN_APPROX_NONE：輪廓近似方法，存儲所有輪廓點

2. 輪廓繪制方法

image_copy = phone.copy()
cv2.drawContours(image=image_copy, contours=contours, contourIdx=-1, color=(0, 255, 0), thickness=2)

# 逐個繪制輪廓的替代方法
for i in range(len(contours)):
    image_copy = cv2.drawContours(image=image_copy, contours=contours, contourIdx=i, color=(0, 255, 0), thickness=3)
    cv2.imshow('Contours_show', image_copy)
    cv2.waitKey(0)

參數(shù)分析：

contourIdx=-1：繪制所有輪廓，指定索引則繪制單個輪廓

3. 輪廓特征計算

# 輪廓面積計算
area_0 = cv2.contourArea(contours[0])
area_1 = cv2.contourArea(contours[1])

# 輪廓周長計算
length = cv2.arcLength(contours[0], closed=True)

# 根據(jù)面積篩選輪廓
a_list = []
for i in contours:
    if cv2.contourArea(i) > 10000:
        a_list.append(i)

4. 輪廓定位與排序

# 根據(jù)面積排序獲取最大輪廓
sortcnt = sorted(contours, key=cv2.contourArea, reverse=True)[0]
image_contours = cv2.drawContours(image_copy, [sortcnt], contourIdx=-1, color=(0, 0, 255), thickness=3)

5. 輪廓幾何特征

cnt = contours[8]

# 最小外接圓
(x, y), r = cv2.minEnclosingCircle(cnt)
phone_circle = cv2.circle(phone, center=(int(x), int(y)), radius=int(r), color=(0, 255, 0), thickness=2)

# 最小外接矩形
x, y, w, h = cv2.boundingRect(cnt)
phone_rectangle = cv2.rectangle(phone, pt1=(x, y), pt2=(x + w, y + h), color=(0, 255, 0), thickness=2)

三、輪廓近似與簡化

輪廓近似可以減少輪廓點的數(shù)量，同時保持輪廓的基本形狀，常用于減少計算復(fù)雜度和數(shù)據(jù)存儲。

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

# 兼容不同OpenCV版本的輪廓查找
contours = cv2.findContours(phone_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_NONE)[-2]

# 輪廓近似
epsilon = 0.01 * cv2.arcLength(contours[0], closed=True)
approx = cv2.approxPolyDP(contours[0], epsilon, closed=True)

print(contours[0].shape)  # 原始輪廓點數(shù)
print(approx.shape)       # 近似后輪廓點數(shù)

# 繪制近似輪廓
phone_new = phone.copy()
image_contours = cv2.drawContours(phone_new, [approx], contourIdx=-1, color=(0, 255, 0), thickness=3)

參數(shù)分析：