1. 为什么要反复和图像轮廓打交道
做计算机视觉的方向，不管你是刚入门还是已经跑过几个项目，到最后基本上都会回到同一个问题上：怎么从图像里把我们要的东西“抠”出来。抠图、定位、测量、识别，底层都离不开轮廓检测这一步。我最初接触 OpenCV 的时候，觉得轮廓检测不就是cv2.findContours一行代码的事吗，直到实际处理真实场景里的图片，才发现这行代码后面的门道比我预想的深得多。
PyImgSearch 这个系列博客在计算机视觉圈子里口碑一直不错，核心原因就是作者不讲虚的，每一篇都是围绕“能跑的代码 + 能解释通的原理”来写。作为这个系列的中文翻译第九十五篇，我们这期不搞那些花里胡哨的模型推理，回到基础中的基础——基于 OpenCV 的图像轮廓查找，以及围绕轮廓展开的层级关系、筛选策略、绘制方法和实际应用。
先说明一下这篇内容适合谁看。如果你是刚接触 OpenCV 两三个月的新手，这篇能帮你把轮廓这一块彻底理顺；如果你已经写过不少轮廓相关代码，这篇里的层级分析和筛选技巧也能帮你解决一些之前“跑通了但说不清为什么”的问题。内容围绕cv2.findContours、cv2.drawContours、轮廓近似、外接矩形、层级关系等核心技术点展开，用一段段可复现代码配合实际图片处理过程，把轮廓从检测到应用串起来。
我自己的体会是，轮廓检测看起来太基础了，导致很多人不愿意深究，结果到了做形状识别、图像配准、细胞计数这类项目时，反而被几个小细节卡住。所以这篇不只是翻译，我会把实际使用中踩过的坑和对某些参数的理解一并写出来，尽量让文章能直接拿去参考。
2. 从边缘到轮廓：先搞清楚查找轮廓之前的图像到底经历了什么
官方文档上关于轮廓的定义很简洁：轮廓是图像中连接所有连续点（沿着边界）的一条曲线，这些点具有相同的颜色或强度。但这句话落到实际操作中，有一个经常被忽略的前提——cv2.findContours默认处理的输入是二值图像，而且它希望的是白色前景、黑色背景。
很多人第一次跑轮廓检测，直接把彩色图扔进去，然后发现报错，或者虽然没报错但查出来的轮廓乱七八糟。原因很简单：cv2.findContours在 OpenCV 的不同版本里对输入图像的要求不太一样，但它始终不是为三通道彩色图设计的。
所以我处理图片的第一步永远是先转换成灰度图，再用阈值、边缘检测或区域生长等方式得到一张干净的二值图。这一步做得好不好，直接决定了后面轮廓检测的效果。
2.1 为什么不能跳过预处理直接查轮廓
我们在一个模拟项目里测试过一组文档扫描图片，原图是手机拍的、带阴影和歪斜。如果直接灰度化后不处理就让findContours跑，结果会检测出几百个零碎小轮廓，全都是噪点、纹理和阴影边缘。做了中值滤波配合自适应阈值之后，轮廓数量一下子降到了几十个，而且每个轮廓都对应真实的文档或文字区域。
轮廓检测本质上是沿着图像中亮度跳变的位置找闭合边界，如果输入图像里有大量细碎的亮度变化，检测结果自然就散。预处理的目的不是“美化图片”，而是把图像简化成“背景黑、前景白”的理想状态，让轮廓检测器把注意力放在真实目标的边界上。
我常用的预处理顺序是：
import cv2 image = cv2.imread("sample.jpg") gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 先做一次高斯模糊，削弱细小纹理 blurred = cv2.GaussianBlur(gray, (5, 5), 0) # 自适应阈值比固定阈值更稳 thresh = cv2.adaptiveThreshold( blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2 )注意这里选的是THRESH_BINARY_INV，也就是把目标区域置为白色（255）、背景置为黑色（0）。findContours查找的是白色对象的边界，这个细节很容易被忽略，一旦反了，找出来的就是整张图的边框外加一堆背景碎片。
2.2 边缘检测输出的“边缘”和轮廓是一回事吗
这是个高频问题。Canny 边缘检测输出的也是二值图，那能不能直接把它丢给findContours？可以，但效果通常不如阈值图稳定。
Canny 输出的边缘往往是断开的、单像素宽的非闭合线条，而轮廓检测希望你给它的是完整的、连通的白色区域。边缘是“边界线索”，轮廓是“区域边界”。如果你拿 Canny 结果去查轮廓，经常会出现一个目标被拆成好几个轮廓的情况，因为边缘没有闭合。
实用性建议：如果想用 Canny 做轮廓检测的预处理，先对 Canny 输出做膨胀，把断裂的边界连接起来。整个过程相当于先找边界，再把边界领域的空隙补上，得到闭合区域后再查轮廓。我的经验是加一步cv2.dilate或cv2.morphologyEx，具体看图像中目标的大小来定核大小。
3. 核心 API 的变化细节：不同 OpenCV 版本下 findContours 的行为差异
版本差异是轮廓检测里最烦人的问题之一。在 OpenCV 3 之前，cv2.findContours返回两个值，而在 OpenCV 3 之后正式改为返回两个值：轮廓列表和层级关系，原先的hierarchy输出也从可选参数变成了必须接收的返回值。
但网上很多老教程写的是：
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)这种写法在 OpenCV 4 里没问题。麻烦的是有些环境装的还是 2.x 版本，这个写法会直接报错，因为左边只有两个变量，右边却解包了三个返回值。如果你用的是contours, hierarchy = cv2.findContours(...)，在 2.x 上也一样炸。
我自己解决这个问题的办法是加一个兼容层，避免在换环境或升级版本时反复改代码：
import cv2 def find_contours(image, mode, method): version = cv2.__version__.split(".") if int(version[0]) <= 2: contours, _ = cv2.findContours(image, mode, method) hierarchy = None else: contours, hierarchy = cv2.findContours(image, mode, method) return contours, hierarchy然后全项目统一调用这个包装函数，之后换环境基本零成本。如果你只在 OpenCV 4 下开发，直接写contours, hierarchy = cv2.findContours(...)就行，但养成习惯写个适配层，维护的时候会轻松很多。
3.1 轮廓近似模式 CHAIN_APPROX_SIMPLE 和 CHAIN_APPROX_NONE 的具体区别
findContours的第三个参数控制轮廓点的压缩方式。CHAIN_APPROX_NONE保存轮廓上每一个边界像素点，CHAIN_APPROX_SIMPLE则只保存每条线段的关键端点。
举个例子，如果一个矩形轮廓有 200 个边界点，用CHAIN_APPROX_NONE就会全部保留，而CHAIN_APPROX_SIMPLE可能只保留 4 个顶点。后续不管是算面积、周长还是做多边形拟合，SIMPLE都完全够用，而且数据量小、速度快得多。
你可能想问：既然SIMPLE这么省，为什么还要有NONE？在某些需要精确遍历边界像素的应用里，NONE是必要的，比如沿着轮廓逐像素采样做展开图，或者计算边界链码。平时做检测和分析，用SIMPLE就够了。
3.2 轮廓检索模式 RETR_EXTERNAL 和 RETR_TREE 怎么选
第二个参数控制轮廓的层级检索模式，这个容易被新手忽略，但影响很大。
RETR_EXTERNAL：只检索最外层轮廓，内部如果有孔洞或者嵌套轮廓，一律忽略。RETR_LIST：检索所有轮廓但不建立层级关系，结果是一个平铺列表。RETR_CCOMP：将所有轮廓组织为两层层级，外层是目标外边界，内层是孔洞边界。RETR_TREE：完整保存所有轮廓之间的嵌套关系，能拿到完整的“树”结构。
选择原则很直接：如果只关心图片里最大的几个目标，用RETR_EXTERNAL最稳，它天然过滤掉了内部干扰；如果要处理类似“外框内还有文字框”这种有嵌套关系的场景，用RETR_TREE配合hierarchy信息做层级筛选。
我在做文档版面分析时，就是先用RETR_EXTERNAL找到最大的表格外框，再用RETR_TREE查内部单元格轮廓。如果一开始就全量拿，几百个轮廓混在一起，处理起来很费劲。
4. 轮廓层级关系的本质：hierarchy 数组里每个数字到底怎么用
代码里拿到contours后，很多人直接忽略hierarchy这个返回值。实际上，只要处理稍微复杂一点的图像，hierarchy才是决定轮廓筛选质量的关键。
hierarchy是一个形状为(1, N, 4)的数组，N是轮廓总数。每个轮廓对应一条记录[next, previous, first_child, parent]，含义分别是：
next：同一层级中下一个轮廓的索引，没有则为 -1。previous：同一层级中上一个轮廓的索引，没有则为 -1。first_child：该轮廓的第一个子轮廓索引，没有则为 -1。parent：该轮廓的父轮廓索引，没有则为 -1。
我在刚接触这部分时总觉得这四个数字很抽象，后面用实际图像试了几次就明白了。想象一张白底图片，中间画一个黑色圆环。圆环的外边界是一个轮廓，圆环内部孔洞的边界是另一个轮廓。如果用的是RETR_TREE，外边界轮廓没有父节点，它的first_child指向孔洞轮廓，孔洞轮廓的parent就指向外边界轮廓。这一来一回就构成了“父子关系”。
4.1 用 parent 字段过滤“轮廓中的轮廓”
有个很常见的场景：你要统计图片里的字符数量，但每个字符外面又套了个边框。如果直接数轮廓，会把边框和字符各算一次，结果翻倍。这时候用parent判断就能精准过滤。
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE) inner_contours = [] for i, cnt in enumerate(contours): parent_idx = hierarchy[0][i][3] if parent_idx != -1: inner_contours.append(cnt)这段代码只保留有父轮廓的内部轮廓，也就是那些“被包含”的目标。拿它来统计嵌套结构内部的对象数量，准确率比直接数全部轮廓高很多。
4.2 按面积和层级组合筛选的实操模板
实际项目不会只靠单一条件，我常用的做法是写一个简单函数，把面积、层级、宽高比组合成统一筛选条件：
def filter_contours(contours, hierarchy, min_area=500, max_area=100000): result = [] for i, cnt in enumerate(contours): area = cv2.contourArea(cnt) if area < min_area or area > max_area: continue parent_idx = hierarchy[0][i][3] if parent_idx != -1: continue result.append((cnt, area)) return result通过这种筛选，能把图像里的干扰小点、背景碎片、嵌套对象一次性处理掉，后面的绘制和分析都会轻松很多。
5. 轮廓的基本特征计算：面积、周长、外接矩形与最小外接矩形
拿到轮廓列表之后，下一步通常是计算几何特征。OpenCV 给了好几个 API，实际选择要看你到底想算哪种量。
cv2.contourArea(cnt)算的是轮廓包围的区域的面积，单位是像素。cv2.arcLength(cnt, True)算的是轮廓的周长，第二个参数表示轮廓是否闭合。这两个是最基础、也是最高频使用的函数，几乎所有轮廓筛选都离不开它们。
有一个容易出问题的点：轮廓面积和由cv2.boundingRect得到的外接矩形面积不是一回事。外接矩形是一个完全包含轮廓的轴对齐矩形，面积是宽乘高，通常比轮廓实际面积大。如果你用外接矩形面积判断目标大小，会把一些细长的轮廓误判成大目标，因为可能高度很小但宽度很大。
5.1 外接矩形和旋转外接矩形的区分
cv2.boundingRect(cnt)返回轴对齐矩形，四个值分别是 x、y、width、height。适合处理文字、条码这类本身没有旋转的目标。但如果目标在图片里转了角度，比如一张倾斜拍摄的名片，轴对齐矩形会把大量空白区域也算进去，这就不准了。
这时候要用cv2.minAreaRect(cnt)，它会返回一个带角度信息的旋转矩形。返回值的结构是((center_x, center_y), (width, height), angle)。拿到这个结果后如果还想画出矩形框，需要借助cv2.boxPoints(cv2.boxPoints(rect))把旋转矩形转换成四个角点。
我在一个工件定位项目里试过，工件在图片里旋转了约三十度，用轴对齐矩形去框，宽度比实际大出将近一半，后面用最小外接矩形才把尺寸测量误差压到可接受的范围内。
5.2 轮廓近似的使用时机与精度控制
cv2.approxPolyDP(cnt, epsilon, True)是对轮廓做多边形近似的函数。epsilon是逼近精度参数，值越大，结果越粗糙；值越小，越接近原始轮廓。常见做法是取轮廓周长的百分比作为 epsilon：
epsilon = 0.02 * cv2.arcLength(cnt, True) approx = cv2.approxPolyDP(cnt, epsilon, True)这个函数在形状识别里很关键。判断一个轮廓是矩形、三角形还是五边形，最直接的办法就是先近似，再看近似后有几个顶点。不过 epsilon 的取值需要调试，太小了会把噪声也拟合进去，太大了会把圆拟合成一个三角形。我一般从轮廓周长的 1% 开始试，逐步增加，直到顶点数稳定下来。
6. 轮廓绘制：drawContours 与常见绘制误区
轮廓检测完之后，官方最常规的操作是用cv2.drawContours把结果可视化出来。这个函数的使用本身不难，传入原始图像、轮廓列表、轮廓索引、颜色、线宽即可。
常见的一个误区发生在指定轮廓索引时。如果传 -1，表示绘制所有轮廓；如果传具体数字，只绘制该索引对应的轮廓。有人想画“从某段筛选出的轮廓”，结果忘了把筛选后的索引映射回原轮廓列表，画出来一堆不相关的东西。
绘制的目标图像也需要留意。drawContours会直接在传入的图像上修改，如果你想把原图和轮廓叠加显示，应该先拷贝一份原图再绘制，否则原图就被改了。我自己就经常因为这一个小细节，调试时反复重新读图。
一个更实用的技巧是按面积给轮廓上色，这样可视化时能一眼看出哪些是主要目标、哪些是干扰碎片：
import numpy as np vis = image.copy() for cnt in contours: area = cv2.contourArea(cnt) if area > 5000: cv2.drawContours(vis, [cnt], -1, (0, 255, 0), 2) elif area > 1000: cv2.drawContours(vis, [cnt], -1, (0, 255, 255), 2) else: cv2.drawContours(vis, [cnt], -1, (0, 0, 255), 1)这样不同大小的目标会呈现不同颜色，程序跑完直接看结果图，比看一长串日志直观得多。调试轮廓算法时，这个可视化习惯能节省大量时间。
7. 完整实例：一张文档图片的轮廓检测与区域提取
前面把 API 和概念拆开讲了一遍，现在串起来看一个完整的实例。我们用扫描文档模拟数据，目标是检测图片里的所有内容区域，并把每个区域单独裁剪出来。
这个例子在 OCR 之前的版面分析、合同关键信息提取里很典型。完整代码如下：
import cv2 import numpy as np def find_content_contours(image_path): image = cv2.imread(image_path) orig = image.copy() gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) blurred = cv2.GaussianBlur(gray, (5, 5), 0) thresh = cv2.adaptiveThreshold( blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2 ) kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=2) contours, hierarchy = cv2.findContours( closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE ) valid = [] for cnt in contours: area = cv2.contourArea(cnt) if area < 800: continue x, y, w, h = cv2.boundingRect(cnt) aspect_ratio = w / float(h) if aspect_ratio < 0.1 or aspect_ratio > 10: continue valid.append((cnt, (x, y, w, h))) for cnt, box in valid: x, y, w, h = box cv2.rectangle(orig, (x, y), (x + w, y + h), (0, 255, 0), 2) roi = image[y:y + h, x:x + w] cv2.imwrite(f"roi_{x}_{y}.jpg", roi) return orig, valid result_image, boxes = find_content_contours("document.jpg")代码里的几个关键点：
- 用
RETR_EXTERNAL是因为文档内容区域基本不嵌套，这个模式能拿到最外层区域，省去层级判断。 - 用闭运算是为了把文字区域内的断裂笔画连接成一个整体，避免同一个段落被拆成好几个轮廓。闭运算的核大小要按目标尺寸调，这里用 5×5，图片更大时可以试试 7×7 或更大。
- 面积和宽高比的过滤阈值不是死的，要根据实际图片分辨率调整。800 像素这个值在 1080P 文档图里比较合适，换成 4K 图就要提高。
我最早跑这段代码时，遇到的最大问题就是闭运算核设得太小，导致一个段落被拆成三四个碎片，后面加了iterations=2才把它们粘成一个整体。如果你也遇到“同一个东西被识别成多个轮廓”的情况，先看预处理这一环，别急着改查找轮廓的参数。
8. 实际项目里容易踩的细节坑
8.1 黑色背景白色对象的阈值方向
前面提过一次，但值得单独强调：findContours在二值图里找的是白色对象的边界。如果你的目标区域是黑色、背景是白色，直接查找会得到背景轮廓。要么用THRESH_BINARY_INV把目标反成白色，要么在查找前手动做一次位取反。这个小问题我见很多人在小项目里绕半天，其实就是一个参数的事。
8.2 空白轮廓与空列表的处理
图像里如果完全没有目标区域，findContours返回的contours可能是空列表。这时候直接访问contours[0]会报 IndexError。做批处理程序时一定要先判断：
if not contours: print("no contour found") return同理，cv2.contourArea(cnt)如果传入非法轮廓也可能报错，最好是先确认轮廓的点数满足要求，比如len(cnt) >= 3，否则边界退化成一个点，面积计算没有意义。
8.3 浮点坐标与整数坐标的相互转换
轮廓中的坐标数据类型是int32，但有些几何操作的返回结果自带小数，比如旋转矩形。画图时需要整数坐标，直接强转前建议先np.round再astype(int)，否则画出来的框会偏移一到两个像素。不要小看这一两个像素，在需要精确配准的场景里会累积成明显误差。
8.4 快速判断轮廓是否闭合
不是所有检测到的轮廓都一定是闭合的。用cv2.arcLength(cnt, True)和cv2.isContourConvex(cnt)可以做初步判断，但也有个笨办法：比较轮廓首尾点坐标是否一致。不闭合的轮廓在计算面积时结果可能略小于真实值，这在测量类项目里会影响精度。
9. 轮廓数据的进阶处理思路
如果想进一步提升轮廓检测的稳定性和处理效率，可以从两个方向扩展。
第一个方向是结合轮廓面积做动态自适应过滤。静态阈值在单一场景下好用，但图片分辨率一变，原先的阈值就不适用了。一个替代方案是先计算所有轮廓面积的中位数，再以中位数为基准过滤干扰。这个方法在批量处理多张分辨率不一的图片时很实用，不需要每张图手动调参。
第二个方向是用轮廓做模板匹配的粗定位。传统模板匹配对光照和形变敏感，但轮廓特征对光照相对稳定。可以先做边缘检测和轮廓提取，再用轮廓面积、周长、顶点数等特征与模板做初筛，最后用特征点匹配精定位。这种“轮廓粗筛 + 特征精配”的组合在处理对象旋转、缩放时有明显优势。
还有一个值得留意的点：轮廓数据的存储与复用。如果图片处理量大，重复检测轮廓浪费算力，可以把轮廓坐标序列化成 NumPy 或者 JSON 存下来，下次直接加载，省掉前面的预处理和查找两个步骤。尤其在调参阶段，这个习惯能帮你快速迭代参数，而不必每次都跑完整套流程。
10. 几个我在实际调试中养成的习惯
最后把平时调试轮廓算法时养成的几个习惯分享一下，都是小事，但真的能省很多事。
第一，每次改参数只改一个变量。调阈值就只调阈值，调核大小就只调核大小，然后记录结果。轮廓检测的流程长、环节多，参数之间互相影响，同时改好几个参数，出了问题根本不知道是哪一步引起的。
第二，把预处理和查找轮廓的结果分别存图。灰度图、阈值图、闭运算图、轮廓结果图，每个阶段都输出一张图。中间某一步不对，直接看图就知道问题在哪。这个方法对排查“为什么轮廓多了一块”这类问题特别有效。
第三，优先用轮廓面积而不是外接矩形面积做筛选。虽然矩形面积算起来方便，但很多场景下实际目标的形状并不规则，矩形面积会引入干扰。除非目标和外接矩形贴合得很好，不然一律用cv2.contourArea。
第四，统一封装轮廓处理流程。哪怕只是做一个小工具，我也会把预处理、查找、过滤、绘制四步封装成函数。后续维护时想调整参数，只需要改函数入口，而不是翻遍整个项目代码。
这套流程在我自己的项目里已经稳定跑过了多次，从文档版面分析到工件尺寸测量都能应对。轮廓检测作为 OpenCV 最基础的能力之一，看似简单，但把每个参数和返回值都吃透之后，很多上层应用做起来会顺很多。希望这篇对你有实际的帮助。
