findContours函数参数详解

物体的轮廓勾勒出了物体的整体形状，物体形状的边界像素一起组合成了轮廓。

灰度图像边界的明显特征是边界两侧灰度级的突变，根据这个特征，使用Sobel、拉普拉斯或Canny之类的边缘检测算子可以有效的检测到物体的边界，所有连续的边界像素组合在一起成为一个整体，就构成了物体的轮廓。

轮廓检测可以使用findContours函数，检测步骤是：

1.  使用拉普拉斯或Canny等边缘检测算子处理图像，获得仅包含边界的二值图像

2.  使用findContorus方法，获取图像所有的边界连续像素序列，并保存在contours向量中

3.  标示出contours向量中所有的轮廓序列

轮廓图像和Canny图像乍看起来表现几乎是一致的，但其实组成两者的数据结构差别很大：

Canny边缘图像只是一些相互独立的散点勾勒出了一个边界，点与点之间没有联系，是没有“思想”的；

轮廓图像是一系列的点组成的，相邻的点与点同属于一个轮廓“集合”，连续的点构成了一个整体，甚至我们可以通过编号对每个轮廓定位，定义其前后轮廓线段，内外轮廓包含、隶属等树形关系，是有“思想”，可进一步处理的。

findContours( InputOutputArray image, OutputArrayOfArrays contours,                              OutputArray hierarchy, int mode,                              int method, Point offset=Point());

第一个参数：image，单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边

                     缘检测算子处理过的二值图像；

第二个参数：contours，定义为“vector<vector<Point>> contours”，是一个向量，并且是一个双重向量，向量

           内每个元素保存了一组由连续的Point点构成的点的集合的向量，每一组Point点集就是一个轮廓。  

           有多少轮廓，向量contours就有多少元素。

第三个参数：hierarchy，定义为“vector<Vec4i> hierarchy”，先来看一下Vec4i的定义：

                           typedef    Vec<int, 4>   Vec4i;                                                                                                                                       

           Vec4i是Vec<int,4>的别名，定义了一个“向量内每一个元素包含了4个int型变量”的向量。

           所以从定义上看，hierarchy也是一个向量，向量内每个元素保存了一个包含4个int整型的数组。

           向量hiararchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。

           hierarchy向量内每一个元素的4个int型变量——hierarchy[i][0] ~hierarchy[i][3]，分别表示第

        i个轮廓的后一个轮廓、前一个轮廓、父轮廓、内嵌轮廓的索引编号。如果当前轮廓没有对应的后一个

        轮廓、前一个轮廓、父轮廓或内嵌轮廓的话，则hierarchy[i][0] ~hierarchy[i][3]的相应位被设置为

        默认值-1。

第四个参数：int型的mode，定义轮廓的检索模式：

           取值一：CV_RETR_EXTERNAL只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略

           取值二：CV_RETR_LIST   检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关

                  系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，

                  所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1，具体下文会讲到

           取值三：CV_RETR_CCOMP  检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围

                  内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层

           取值四：CV_RETR_TREE， 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内

                   层轮廓还可以继续包含内嵌轮廓。

第五个参数：int型的method，定义轮廓的近似方法：

           取值一：CV_CHAIN_APPROX_NONE 保存物体边界上所有连续的轮廓点到contours向量内

           取值二：CV_CHAIN_APPROX_SIMPLE 仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours

                   向量内，拐点与拐点之间直线段上的信息点不予保留

           取值三和四：CV_CHAIN_APPROX_TC89_L1，CV_CHAIN_APPROX_TC89_KCOS使用teh-Chinl chain 近

                   似算法

第六个参数：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加

            上该偏移量，并且Point还可以是负值！

下边用效果图对比一下findContours函数中各参数取不同值时，向量contours和hierarchy的内容如何变化，有何

异同。

主体程序如下：

#include "core/core.hpp"  #include "highgui/highgui.hpp"  #include "imgproc/imgproc.hpp"  #include "iostream"using namespace std; using namespace cv;  int main(int argc,char *argv[])  {Mat imageSource=imread(argv[1],0);imshow("Source Image",imageSource);Mat image;GaussianBlur(imageSource,image,Size(3,3),0);Canny(image,image,100,250);vector<vector<Point>> contours;vector<Vec4i> hierarchy;findContours(image,contours,hierarchy,RETR_TREE,CHAIN_APPROX_SIMPLE,Point());Mat imageContours=Mat::zeros(image.size(),CV_8UC1);Mat Contours=Mat::zeros(image.size(),CV_8UC1);  //绘制for(int i=0;i<contours.size();i++){//contours[i]代表的是第i个轮廓，contours[i].size()代表的是第i个轮廓上所有的像素点数for(int j=0;j<contours[i].size();j++) {//绘制出contours向量内所有的像素点Point P=Point(contours[i][j].x,contours[i][j].y);Contours.at<uchar>(P)=255;}//输出hierarchy向量内容char ch[256];sprintf(ch,"%d",i);string str=ch;cout<<"向量hierarchy的第" <<str<<" 个元素内容为："<<endl<<hierarchy[i]<<endl<<endl;//绘制轮廓drawContours(imageContours,contours,i,Scalar(255),1,8,hierarchy);}imshow("Contours Image",imageContours); //轮廓imshow("Point of Contours",Contours);   //向量contours内保存的所有轮廓点集waitKey(0);return 0;}

程序中所用原始图像如下：

通过调整第四个参数mode——轮廓的检索模式、第五个参数method——轮廓的近似方式和不同的偏移量Point()，就可以得到以下效果。

一、mode取值“CV_RETR_EXTERNAL”，method取值“CV_CHAIN_APPROX_NONE”，即只检测最外层轮廓，并且保存轮廓上所有点：

轮廓：

只有最外层的轮廓被检测到，内层的轮廓被忽略

contours向量内所有点集

保存了所有轮廓上的所有点，图像表现跟轮廓一致

hierarchy向量：

重温一下hierarchy向量————向量中每个元素的4个整形分别对应当前轮廓的后一个轮廓、前一个轮廓、父轮廓、内

嵌轮廓的索引编号。

本次参数配置下，hierarchy向量内有3个元素，分别对应于3个轮廓。以第2个轮廓（对应向量内第1个元素）为例，

内容为[2,0,-1,-1], “2”表示当前轮廓的后一个轮廓的编号为2，“0”表示当前轮廓的前一个轮廓编号为0，其后2

个“-1”表示为空，因为只有最外层轮廓这一个等级，所以不存在父轮廓和内嵌轮廓。

二、 mode取值“CV_RETR_LIST”，method取值“CV_CHAIN_APPROX_SIMPLE”，即检测所有轮廓，但各轮廓之间彼此独立，不建立等级关系，并且仅保存轮廓上拐点信息：

检测到的轮廓跟上文“一”中是一致的，不再显示。

contours向量内所有点集：

contours向量中所有的拐点信息得到了保留，但是拐点与拐点之间直线段的部分省略掉了。

hierarchy向量（截取一部分）：

本次参数配置下，检测出了较多轮廓。第1、第2个整形值分别指向上一个和下一个轮廓编号，由于本次配置mode取

值“RETR_LIST”，各轮廓间各自独立，不建立等级关系，所以第3、第4个整形参数为空，设为值-1。

三、mode取值“CV_RETR_TREE”，method取值“CV_CHAIN_APPROX_NONE”，即检测所有轮廓，轮廓间建立外层、内层的等级关系，并且保存轮廓上所有点。

contours向量内所有点集：

所有内外层轮廓都被检测到，contours点集组成的图形跟轮廓表现一致。

hierarchy向量（截取一部分）

本次参数配置要求检测所有轮廓，每个轮廓都被划分等级，最外围、第一内围、第二内围等等，所以除第1个最后一

个轮廓外，其他轮廓都具有不为-1的第3、第4个整形参数，分别指向当前轮廓的父轮廓、内嵌轮廓索引编号。

四、Point()偏移量设置

使用三中的参数配置，设置偏移量Point为Point（45,30）。

此时轮廓图像为：

可以看到轮廓图像整体向右下角有一个偏转，偏转量就是设置的（45,30）。

这个偏移量的设置不能过大或过小（负方向上的过小），若图像上任一点加上该偏移量后超出图像边界，程序会内存

溢出报错。

findContours函数的各参数就探讨到此，其他参数配置的情况大同小异。值得关注一下的是绘制轮廓的函数

drawContours中最后一个参数是一个Point类型的offset，这个offset跟findContours函数中的offset含义一致，设置之

后所绘制的轮廓是原始轮廓上所有像素点加上该偏移量offset后的效果。

当所分析图像是另外一个图像的ROI的时候，这个offset偏移量就可以大显身手了。通过加减这个偏移量，就可以把

ROI图像的检测结果投影到原始图像对应位置上。