4. OpenCV基础（三）：边缘检测、轮廓与形态学操作

各位同学，欢迎来到第四章。前两章我们把图像的基本操作和滤波讲完了，今天要聊的内容，是真正让计算机“看懂”物体形状的关键步骤。

说白了，边缘检测和轮廓查找，就是给图像做“素描”。而形态学操作，则是给这张“素描”做“修图”。这三板斧在YOLO的预处理和后处理中，几乎天天都要用到。我个人习惯在标注数据前，先用这套流程快速验证一下目标是否清晰可见。

4.1 边缘检测：Canny算法

边缘检测的算法很多，但Canny是公认的“黄金标准”。为什么？因为它不是简单地算个梯度就完事，而是有一套完整的“去伪存真”流程。

4.1.1 Canny的四个步骤

我记得刚学OpenCV那会儿，总觉得Canny是个黑盒子。后来自己手推了一遍，才发现它其实很“讲道理”：

1. 高斯滤波去噪：先用高斯模糊把图像弄平滑一点，避免噪声被当成边缘。
2. 计算梯度幅值与方向：用Sobel算子算出每个像素的梯度大小和方向。
3. 非极大值抑制：这一步很关键。只保留梯度方向上的局部最大值，把“胖”边缘变“瘦”。
4. 双阈值检测与边缘连接：设定高低两个阈值，高阈值确定强边缘，低阈值保留弱边缘，但只保留与强边缘相连的弱边缘。

4.1.2 代码实战

import cv2
import numpy as np

# 读取图像，转为灰度
img = cv2.imread('cat.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 高斯模糊，降噪
blurred = cv2.GaussianBlur(gray, (5, 5), 1.5)

# Canny边缘检测
edges = cv2.Canny(blurred, 50, 150)

# 显示结果
cv2.imshow('Original', img)
cv2.imshow('Edges', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

4.2 轮廓查找与绘制

边缘检测得到的是“像素级”的线条，而轮廓查找得到的是“物体级”的边界点集。你想想看，我们要做目标检测，最终关心的是“这个框里有什么”，而不是“这个像素是不是边缘”。

4.2.1 findContours 详解

OpenCV的findContours函数，输入必须是二值图。我通常把Canny的结果直接丢进去，或者用阈值分割后的图。

# 在边缘检测结果上查找轮廓
contours, hierarchy = cv2.findContours(
    edges, 
    cv2.RETR_EXTERNAL,  # 只检测最外层轮廓
    cv2.CHAIN_APPROX_SIMPLE  # 压缩水平、垂直、对角线段，只保留端点
)

这里有两个参数需要重点理解：

参数	选项	说明
检索模式	RETR_EXTERNAL	只检测最外层轮廓，忽略内部空洞
	RETR_LIST	检测所有轮廓，不建立层级关系
	RETR_TREE	检测所有轮廓，建立完整的层级树
近似方法	CHAIN_APPROX_NONE	存储所有轮廓点，不压缩
	CHAIN_APPROX_SIMPLE	压缩冗余点，只保留拐点

4.2.2 drawContours 绘制

找到轮廓之后，用drawContours画出来，直观感受一下效果：

# 在原始图像上绘制轮廓
img_copy = img.copy()
cv2.drawContours(
    img_copy, 
    contours, 
    -1,  # -1表示绘制所有轮廓
    (0, 255, 0),  # 绿色
    2  # 线条粗细
)

cv2.imshow('Contours', img_copy)
cv2.waitKey(0)

嗯，这里要注意：drawContours会直接修改输入图像。所以我习惯先.copy()一份，避免污染原图。

4.2.3 轮廓特征提取

找到轮廓之后，我们能做的事情就多了。比如计算面积、周长、外接矩形等：

for cnt in contours:
    # 计算面积
    area = cv2.contourArea(cnt)
    
    # 计算周长
    perimeter = cv2.arcLength(cnt, True)
    
    # 获取外接矩形
    x, y, w, h = cv2.boundingRect(cnt)
    
    # 过滤掉太小的轮廓（噪声）
    if area < 500:
        continue
    
    # 绘制矩形框
    cv2.rectangle(img_copy, (x, y), (x+w, y+h), (255, 0, 0), 2)

4.3 形态学操作

形态学操作，说白了就是“膨胀”和“腐蚀”这两个基本动作的组合。为什么需要它们？因为Canny出来的边缘可能有断裂，二值图里可能有噪点。形态学操作就是用来“修图”的。

4.3.1 腐蚀与膨胀

这两个操作是对偶的：

• 腐蚀：让白色区域“瘦”一圈，可以消除小白点噪声。
• 膨胀：让白色区域“胖”一圈，可以连接断裂的物体。

# 定义结构元素（核）
kernel = np.ones((5, 5), np.uint8)

# 腐蚀
eroded = cv2.erode(binary_img, kernel, iterations=1)

# 膨胀
dilated = cv2.dilate(binary_img, kernel, iterations=1)

核的大小直接影响效果。核越大，变化越剧烈。我一般从3x3开始试，不够再加。

4.3.2 开运算与闭运算

开运算 = 先腐蚀后膨胀。闭运算 = 先膨胀后腐蚀。

你想想看：

• 开运算：先腐蚀去掉小噪点，再膨胀恢复物体大小。适合去噪。
• 闭运算：先膨胀填平小孔洞，再腐蚀恢复物体大小。适合填充。

# 开运算
opening = cv2.morphologyEx(binary_img, cv2.MORPH_OPEN, kernel)

# 闭运算
closing = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)

4.4 本章知识体系

下面这张图把今天的内容串起来了。从原始图像到最终的目标轮廓，每一步都有它的作用：

4.5 综合实战：从边缘到轮廓

最后，我们把这些知识点串起来，写一个完整的示例。假设我们要检测图像中的硬币：

import cv2
import numpy as np

# 1. 读取图像
img = cv2.imread('coins.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 2. 高斯滤波
blurred = cv2.GaussianBlur(gray, (7, 7), 2)

# 3. Canny边缘检测
edges = cv2.Canny(blurred, 30, 90)

# 4. 形态学闭运算，连接断裂边缘
kernel = np.ones((5, 5), np.uint8)
closed = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel)

# 5. 查找轮廓
contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 6. 绘制结果
result = img.copy()
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area < 1000:  # 过滤小噪声
        continue
    x, y, w, h = cv2.boundingRect(cnt)
    cv2.rectangle(result, (x, y), (x+w, y+h), (0, 255, 0), 2)
    cv2.putText(result, f'Area:{int(area)}', (x, y-5),
                cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0, 255, 0), 1)

cv2.imshow('Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()