OpenCV —— contours_matrix_()_[]

😶‍🌫️😶‍🌫️😶‍🌫️😶‍🌫️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。

文章目录

• 检测轮廓
• numpy 创建矩阵与数组
• 三种图像的区别及转换
• () 与 [] 应用

检测轮廓

import cv2import 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。