轮廓检测
轮廓检测也是图像处理中经常用到的。OpenCV-Python接口中使用cv2.findContours()函数来查找检测物体的轮廓。

实现
使用方式如下：

import cv2  
 
img = cv2.imread("./test.jpg")  #读取原始图片，彩色三通道图片
 
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)    #将图片转化成灰度图，灰度图是单通道的，单通道的像素值是原始img三通道的像素值的均值，所有像素的值取值范围是0~255
ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)  #二值化灰度图图片，以127为门槛值，所有大于127像素值的像素取值255，所有小于127像素值的取值为0
 
contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)  #轮廓搜索，找到
cv2.drawContours(img,contours,-1,(0,0,255),3)  #绘制轮廓
 
cv2.imshow("img", img)  
cv2.waitKey(0)  
  

需要注意的是cv2.findContours()函数接受的参数为二值图，即黑白的（不是灰度图），所以读取的图像要先转成灰度的，再转成二值图，参见4、5两行。第六行是检测轮廓，第七行是绘制轮廓。

参数
第一个参数是寻找轮廓的图像；
第二个参数表示提取轮廓后，输出轮廓信息的组织形式，有四种（本文介绍的都是新的cv2接口）：
cv2.RETR_EXTERNAL 表示只检测外轮廓
cv2.RETR_LIST 检测的轮廓不建立等级关系
cv2.RETR_CCOMP 建立两个等级的轮廓，上面的一层为外边界，里面的一层为内孔的边界信息。如果内孔内还有一个连通物体，这个物体的边界也在顶层。
cv2.RETR_TREE 建立一个等级树结构的轮廓。

第三个参数method为轮廓的近似办法
cv2.CHAIN_APPROX_NONE 存储所有的轮廓点，相邻的两个点的像素位置差不超过1，即max（abs（x1-x2），abs（y2-y1））==1
cv2.CHAIN_APPROX_SIMPLE 压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标，例如一个矩形轮廓只需4个点来保存轮廓信息
cv2.CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS 使用teh-Chinl chain 近似算法

返回值

contour返回值
cv2.findContours()函数首先返回一个tuple，tuple中每个元素都是图像中的一个轮廓，用numpy中的ndarray表示。这个概念非常重要。在下面drawContours中会看见。通过

print (type(contours))
print (type(contours[0]))
print (len(contours))

以上的返回值是：

<class 'tuple'>    #表示tuple类型
<class 'numpy.ndarray'>  #表示numpy矩阵
2      #表示接口返回了2个轮廓，一个是矩形轮廓，一个是五角星轮廓

而countours[0]和countours[1]则分别存放的是像素点的坐标值 len(countours[0]),为4，表示有四个点坐标。
打印countours[0]

print(contours[0])

打印结果

[[[507 149]]
 [[507 380]]
 [[748 380]]
 [[748 149]]]

输出两个轮廓中存储的点的个数，可以看到，第一个轮廓中只有4个元素，**为何只用4个点表示轮廓呢？**这是因为我们采用了参数CHAIN_APPROX_SIMPLE，轮廓中压缩水平方向，垂直方向，对角线方向的元素，只保留该方向的终点坐标比如一个“正立”的矩形，只需4个顶点就能描述轮廓了。

hierarchy返回值
未完待续