大家好，这里是AI与计算机视觉！
在计算机视觉实操中，除了基础的图像预处理，轮廓检测也是高频核心需求——它能精准提取图像中目标的形状、轮廓，还能实现目标计数、尺寸测量，是很多项目的关键一步。
不管是零件计数、药片统计，还是工业缺陷检测、文档边框提取，都离不开轮廓检测。今天这篇纯实操，从预处理铺垫到轮廓提取、计数、过滤，一步到位，代码复制即用，零基础也能快速上手！
全程无复杂推导，重点讲实操、讲应用，帮你快速落地到自己的项目中，避开所有新手坑！
一、前置环境配置（10秒搞定）
依赖库与之前通用，无需额外安装，直接复制命令（若未安装可执行）：
bashpip install opencv-python numpy |
所有案例通用导入模块（复制到代码开头即可）：
pythonimport cv2import numpy as np |
使用说明：将测试图片命名为 objects.jpg，放在代码同一目录下（推荐用包含多个独立目标的图片，如硬币、零件图）；若图片路径不同，可在cv2.imread()中填写完整路径。
二、核心流程：预处理→ 轮廓检测 → 绘制与计数
轮廓检测的关键前提：先对图像进行预处理（灰度+二值化），突出目标区域，才能精准找到轮廓，避免背景干扰。
步骤1：图像读取与预处理（关键铺垫）
预处理主要实现“突出目标、抑制背景”，这里用自适应阈值二值化，适配光照不均的场景，比固定阈值更稳定：
python# 1. 读取原始图像（彩色图）img = cv2.imread("objects.jpg")# 备份原图，用于后续绘制轮廓（避免修改原图）img_copy = img.copy()# 2. 灰度化（轮廓检测仅支持单通道图像）gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)# 3. 自适应阈值二值化（突出目标，抑制背景噪点）binary = cv2.adaptiveThreshold(gray, 255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, # 高斯自适应阈值cv2.THRESH_BINARY_INV, # 黑白反转，让目标变为白色（便于检测）blockSize=11, # 块大小（必须为奇数，越大越平滑）C=2 # 阈值偏移量，调整目标与背景的对比度) |
步骤2：查找轮廓（核心操作）
使用OpenCV内置函数findContours，快速提取图像中的所有轮廓，重点掌握参数含义，避免提取到多余轮廓：
python# 查找轮廓（返回轮廓列表和层级关系）# 核心参数说明：# binary：二值化后的图像（必须）# cv2.RETR_EXTERNAL：只提取最外层轮廓（忽略轮廓内部的小轮廓，推荐）# cv2.CHAIN_APPROX_SIMPLE：压缩轮廓点，减少内存占用（如矩形轮廓只保留4个顶点）contours, hierarchy = cv2.findContours(binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# 打印轮廓数量（初步统计目标个数）print(f"检测到的轮廓总数：{len(contours)}") |
步骤3：绘制轮廓 + 目标计数（可视化效果）
将提取到的轮廓绘制在原图上，同时添加计数文本，直观看到检测效果，可直接用于项目展示：
python# 1. 绘制轮廓（在备份的原图上绘制，颜色为绿色，线条宽度2）# contours：所有轮廓列表；-1：绘制所有轮廓（指定索引可绘制单个轮廓）cv2.drawContours(img_copy, contours, -1, (0, 255, 0), 2)# 2. 添加目标计数文本（位置：左上角(20,40)，字体、大小、颜色可调整）count = len(contours)cv2.putText(img_copy, f"目标计数：{count}",(20, 40), cv2.FONT_HERSHEY_SIMPLEX,1.2, (0, 0, 255), 2 # 字体大小1.2，红色，线条宽度2)# 3. 展示效果（原图 vs 二值化图 vs 轮廓检测结果）cv2.imshow("原图", img)cv2.imshow("二值化图（预处理）", binary)cv2.imshow("轮廓检测结果", img_copy)# 等待按键关闭窗口，释放资源cv2.waitKey(0)cv2.destroyAllWindows() |
✅ 新手注意
•绘制轮廓时，一定要操作原图的备份（如img_copy），避免修改原图影响后续操作；
•参数cv2.RETR_EXTERNAL是最常用的轮廓提取模式，适合大多数计数、检测场景；
•若轮廓线条过细/过粗，可调整drawContours的最后一个参数（线条宽度）。
三、进阶技巧：过滤小轮廓，避免噪点干扰
实际场景中，二值化后可能会残留小噪点，导致检测到多余的小轮廓，影响计数准确性。这里教大家通过轮廓面积过滤，只保留有效目标：
python# 延续上面的代码，过滤面积过小的轮廓（自定义面积阈值）valid_contours = [] # 存储有效轮廓min_area = 100 # 最小轮廓面积（可调整，根据目标大小设定）for cnt in contours:# 计算每个轮廓的面积area = cv2.contourArea(cnt)# 只保留面积大于min_area的轮廓（过滤小噪点）if area > min_area:valid_contours.append(cnt)# 重新绘制有效轮廓，统计有效目标数量img_valid = img.copy()cv2.drawContours(img_valid, valid_contours, -1, (0, 255, 0), 2)valid_count = len(valid_contours)cv2.putText(img_valid, f"有效目标计数：{valid_count}",(20, 40), cv2.FONT_HERSHEY_SIMPLEX,1.2, (0, 0, 255), 2)# 展示过滤后的效果cv2.imshow("过滤小轮廓后结果", img_valid)cv2.waitKey(0)cv2.destroyAllWindows()# 打印有效目标数量print(f"有效目标数量：{valid_count}") |
✅ 参数调整建议
min_area（最小轮廓面积）需根据目标大小调整：目标越大，阈值设越大；目标越小（如小药片、小零件），阈值设越小，可多测试几次找到最佳值。
四、完整可运行代码（直接复制）
整合所有步骤，包含预处理、轮廓检测、计数、过滤，复制即可运行，无需修改：
pythonimport cv2import numpy as np# 1. 读取图像并备份img = cv2.imread("objects.jpg")img_copy = img.copy()# 2. 预处理（灰度化 + 自适应阈值二值化）gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)binary = cv2.adaptiveThreshold(gray, 255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY_INV,blockSize=11,C=2)# 3. 查找轮廓contours, hierarchy = cv2.findContours(binary,cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_SIMPLE)# 4. 过滤小轮廓valid_contours = []min_area = 100for cnt in contours:if cv2.contourArea(cnt) > min_area:valid_contours.append(cnt)# 5. 绘制轮廓 + 计数cv2.drawContours(img_copy, valid_contours, -1, (0, 255, 0), 2)valid_count = len(valid_contours)cv2.putText(img_copy, f"有效目标计数：{valid_count}",(20, 40), cv2.FONT_HERSHEY_SIMPLEX,1.2, (0, 0, 255), 2)# 6. 展示所有效果cv2.imshow("原图", img)cv2.imshow("二值化预处理", binary)cv2.imshow("轮廓检测+计数结果", img_copy)# 7. 保存结果（可选）cv2.imwrite("contour_result.jpg", img_copy)# 释放资源cv2.waitKey(0)cv2.destroyAllWindows()# 打印结果print(f"检测到轮廓总数：{len(contours)}")print(f"有效目标数量：{valid_count}") |
✅ 避坑提醒
若运行报错“找不到图片”，请确认图片名称正确（objects.jpg），且与代码文件在同一目录；若轮廓检测不到，可调整二值化的blockSize和C参数，或降低min_area阈值。
五、应用场景与实战建议
1.计数场景：零件计数、药片计数、硬币计数（调整min_area即可适配不同大小的目标）；
2.检测场景：工业缺陷检测（如零件划痕、污渍的轮廓提取）、文档边框提取、人脸轮廓提取；
3.进阶拓展：通过轮廓可进一步计算目标的周长、面积、形状（如判断是圆形还是矩形），适配更复杂的项目需求；
4.新手实战：建议先用简单的图片（如5-10枚硬币的图片）测试，熟悉参数后再应用到自己的项目中。
关注【AI与计算机视觉】，每天一个实操干货，从传统视觉到深度学习，循序渐进搞定计算机视觉！大家觉得分享有用的话别忘了点赞+在看+转发+赞赏哟，亲们的支持是小编更新最大的动力！
10个月宝宝每天需要喝多少奶粉？
