opencv drawcontours函数

cv2 库是OpenCV（Open Source Computer Vision Library）的Python 接口。

OpenCV 是一个开源计算机视觉库，提供了许多用于图像处理和计算机视觉任务的函数。

以下是一些常用的cv2 库函数，涵盖了图像处理、计算机视觉和计算机图形学等领域：图像读取和显示：cv2.imread()：读取图像文件。

cv2.imshow()：显示图像窗口。

cv2.imwrite()：保存图像。

颜色空间转换：cv2.cvtColor()：进行颜色空间的转换，例如从BGR 到灰度。

图像处理：cv2.resize()：调整图像大小。

cv2.flip()：翻转图像。

cv2.rotate()：旋转图像。

cv2.threshold()：图像二值化。

滤波器和卷积：cv2.filter2D()：2D 卷积。

cv2.blur()：均值模糊。

cv2.GaussianBlur()：高斯模糊。

边缘检测：cv2.Canny()：Canny 边缘检测。

轮廓和形状分析：cv2.findContours()：查找图像中的轮廓。

cv2.drawContours()：绘制轮廓。

图像特征和描述符：cv2.SIFT()：尺度不变特征变换。

cv2.SURF()：加速稳健特征。

计算机视觉：cv2.matchTemplate()：模板匹配。

cv2.findHomography()：查找透视变换。

cv2.solvePnP()：解决透视问题。

摄像头和视频处理：cv2.VideoCapture()：打开摄像头。

cv2.VideoWriter()：写入视频文件。

cv2.VideoCapture.read()：读取摄像头帧。

图像绘制：cv2.line()：绘制直线。

cv2.circle()：绘制圆。

cv2.rectangle()：绘制矩形。

这只是cv2 库中一小部分常用函数的列表。

OpenCV 提供了丰富的功能，适用于各种计算机视觉和图像处理任务。

opencv 计算某个轮廓内的像素平均值计算某个轮廓内的像素平均值是图像处理中的一个重要任务，可以使用OpenCV库来实现。

OpenCV是一个开源的计算机视觉库，提供了丰富的图像处理和计算机视觉算法。

要计算某个轮廓内的像素平均值，首先需要进行图像的预处理和轮廓检测。

可以通过OpenCV提供的函数来实现这些操作。

然后，根据轮廓的边界点，可以通过遍历轮廓内的像素来计算平均值。

需要加载图像并进行预处理。

可以使用OpenCV的`imread`函数来加载图像，然后使用`cvtColor`函数将图像转换为灰度图像。

这样可以简化后续的处理步骤。

接下来，可以使用OpenCV的轮廓检测函数`findContours`来检测图像中的轮廓。

该函数会返回一个包含所有轮廓点的列表。

可以选择其中一个轮廓来计算平均值。

在计算平均值之前，需要创建一个和原图像大小相同的掩膜图像。

可以使用`zeros`函数来创建一个全黑的图像。

然后，可以使用`drawContours`函数将选择的轮廓绘制在掩膜图像上，将轮廓内的像素设置为白色。

这样，掩膜图像中非零像素的位置就对应于轮廓内的像素。

接下来，可以使用`bitwise_and`函数将原图像和掩膜图像进行按位与操作，得到轮廓内的像素。

然后，可以使用`mean`函数计算这些像素的平均值。

可以将计算得到的平均值输出或进行其他后续处理。

使用OpenCV计算某个轮廓内的像素平均值可以方便地实现图像处理中的各种任务。

例如，可以用来分割图像中的感兴趣区域，或者用来计算图像中某个物体的颜色特征。

OpenCV提供了丰富的图像处理函数和算法，可以方便地实现各种图像处理任务，包括计算某个轮廓内的像素平均值。

通过合理的使用OpenCV库，可以提高图像处理的效率和准确性。

opencv中contours函数原理OpenCV是一个开源的计算机视觉库，提供了许多用于图像处理和计算机视觉任务的函数和工具。

其中一个重要的函数是contours函数，它用于提取图像中的轮廓。

本文将介绍contours函数的原理及其在图像处理中的应用。

我们需要了解什么是图像的轮廓。

图像的轮廓是指图像中所有连续的边界线。

这些边界线可以是物体的外形轮廓，也可以是物体内部的一些特定区域。

在计算机视觉中，轮廓通常用于对象检测、形状分析和图像识别等应用。

在OpenCV中，contours函数可以通过图像的边缘检测结果来提取轮廓。

边缘检测是一种常用的图像处理技术，用于检测图像中不同区域之间的边界。

常用的边缘检测算法包括Sobel算子、Canny算子等。

当我们使用contours函数时，首先需要对输入图像进行边缘检测处理。

这可以通过调用OpenCV中的边缘检测函数（如Canny函数）来实现。

边缘检测算法将图像中的边界像素点标记为白色，非边界像素点标记为黑色。

接下来，我们可以调用contours函数来提取轮廓。

contours函数的输入参数是一个二值图像，也就是只包含黑色和白色两种像素值的图像。

函数会在输入图像中寻找所有的轮廓，并将每个轮廓表示为一个点的集合。

contours函数的返回结果是一个包含所有轮廓的列表。

每个轮廓都是一个由点组成的多边形。

我们可以通过遍历这个列表来访问每个轮廓，并对其进行进一步的处理或分析。

除了提取轮廓外，contours函数还可以进行一些额外的操作。

我们可以通过调整函数的参数来控制轮廓的提取方式。

例如，可以设置参数来指定轮廓的近似方法、轮廓的层级关系等。

在实际应用中，contours函数有很多用途。

以下是一些常见的应用场景：1. 对象检测：通过提取图像中的轮廓，我们可以检测出图像中的物体，并进行进一步的处理或识别。

例如，可以通过检测汽车的轮廓来实现车辆识别。

2. 形状分析：轮廓提取后，我们可以对轮廓进行形状分析，如计算轮廓的面积、周长、凸包等。

drawcontours函数
opencv库中的drawcontours函数是用来绘制多边形的，在
image processing和vision computing方面具有非常重要的作用。

它的基本思想是，给定一个矩阵，让计算机自动检测出其中的轮廓，并
为每个轮廓定义一个特定的多边形。

DrawContours函数的实现主要分为四步：1、查找轮廓；2、使用仿射变换将轮廓从原始图像中抽取出来（仿射变换是将旋转、平移和
拉伸等形变施加到图像中）；3、算法根据提取出来的轮廓定义多边形；
4、选择调色板或着色函数填充多边形。

它首先调用findContours函
数来查找图像中的轮廓，然后根据轮廓被定义的多边形数来绘制，比
如可以将一个多边形分解为十二个小三角形，并可调整小三角形的宽度。

因此，DrawContours函数的应用已经广泛，最常见的应用之一就是计算机图像处理，可以用它来检测图像中的实体，并为实体赋予不
同的颜色或者代表不同的含义；另外还可以用它来做运动检测，比如
快速检测人脸等，也可以用它做对象检测和识别，比如统计物体的几
何特征，并判断出不同的形状，直线或者圆柱体等。

总而言之，DrawContours函数是在图像处理和计算机视觉中非常重要的一种函数，具有自动检测轮廓、定义多边形、着色的功能，可
应用于计算机图像处理、实体检测、运动检测和对象检测等场景。

opencv所有函数汇总OpenCV是一个开放源代码的计算机视觉和机器学习软件库。

它拥有多种函数和方法，可用于处理图像和视频、目标检测、特征提取、图像分割、图像配准、机器学习等多个领域。

以下是一些常用的OpenCV函数的汇总：1. cv2.imread该函数读取图像文件，并返回一个NumPy数组，该数组表示图像的像素值。

2. cv2.imshow用于在窗口中显示图像。

3. cv2.imwrite将图像保存到指定的文件路径。

4. cv2.cvtColor用于将图像从一个颜色空间转换为另一个颜色空间。

5. cv2.resize可用于调整图像的大小。

6. cv2.flip用于翻转图像。

7. cv2.rectangle绘制矩形框。

8. cv2.circle绘制圆形。

9. cv2.line绘制线条。

10. cv2.putText在图像上绘制文本。

11. cv2.threshold将图像分割为黑白两个阈值。

12. cv2.adaptiveThreshold根据图像不同区域的光照条件对图像进行阈值处理。

13. cv2.medianBlur对图像进行中值滤波。

14. cv2.GaussianBlur对图像进行高斯模糊。

15. cv2.bilateralFilter对图像进行双边滤波。

16. cv2.contourArea计算轮廓的面积。

17. cv2.findContours找到图像中的轮廓。

18. cv2.drawContours在图像上绘制轮廓。

19. cv2.matchTemplate在图像中查找指定模板的匹配项。

20. cv2.HoughCircles在图像中检测圆。

21. cv2.HoughLines在图像中检测直线。

22. cv2.goodFeaturesToTrack在图像中寻找角点。

23. cv2.findHomography计算两个图像之间的单应性矩阵。

24. cv2.warpPerspective将图像进行透视变换。

opencv drawcontours函数drawContours函数是OpenCV中一个常用的绘制轮廓的函数。

该函数可以用来绘制轮廓的线段，或者填充轮廓所围成的区域。

函数原型如下：void drawContours(InputOutputArray image, InputArrayOfArrays contours, int contourIdx, const Scalar& color, int thickness = 1, int lineType = 8, InputArray hierarchy = noArray(), int maxLevel = INT_MAX, Point offset = Point() )参数说明：- image：待绘制轮廓的图像；- contours：输入的轮廓，是一个包含多个独立轮廓的数组，每个轮廓又是一个点的集合；- contourIdx：指定要绘制的轮廓的索引，-1表示所有轮廓都要绘制；- color：指定绘制的颜色，可以是一个Scalar类型的参数，表示RGB三个颜色分量；- thickness：指定绘制轮廓线的粗细，默认值为1；- lineType：指定绘制轮廓线的类型，默认值为8，表示8连通线；- hierarchy：输入的轮廓的层级信息；- maxLevel：指定绘制的轮廓的层级深度，INT_MAX表示所有层级都要绘制；- offset：偏移量，用于指定每个轮廓相对于图像的偏移位置。

在使用drawContours函数之前，需要先使用findContours函数或者其他方法来获取输入的轮廓数据。

下面是一个示例代码，演示了如何使用drawContours函数绘制轮廓：```cpp#include <opencv2/opencv.hpp>using namespace cv;int main(){// 加载图像Mat src = imread("image.jpg");if (src.empty()){return -1;}// 创建二值图像Mat gray, binary;cvtColor(src, gray, COLOR_BGR2GRAY);threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);// 寻找轮廓std::vector<std::vector<Point>> contours;std::vector<Vec4i> hierarchy;findContours(binary, contours, hierarchy, RETR_EXTERNAL,CHAIN_APPROX_SIMPLE);// 创建空白图像Mat result = Mat::zeros(binary.size(), CV_8UC3);// 绘制轮廓drawContours(result, contours, -1, Scalar(0, 0, 255), 2);// 显示结果imshow("Original Image", src);imshow("Contours", result);waitKey(0);return 0;}```在这个示例代码中，首先加载了一张图像，然后将其转为灰度图像，再进行阈值处理得到二值图像。

opencv检测矩形的函数1.引言1.1 概述概述:OpenCV是一个开源的计算机视觉库，提供了各种图像处理和计算机视觉算法的实现。

其中一个重要的应用领域是矩形检测。

矩形是一个具有四个直角的四边形，广泛应用于图像分割、物体识别和边界框标定等任务中。

本文将主要介绍OpenCV中用于检测矩形的函数。

通过这些函数，我们可以方便地在图像或视频中找到并标定出矩形区域，进而用于后续分析和处理。

在正文部分，我们将首先介绍OpenCV检测矩形的原理，包括边缘检测、轮廓提取和矩形拟合等关键步骤。

然后，我们将详细介绍OpenCV 中的矩形检测函数，包括基于轮廓的矩形检测函数和基于直线拟合的矩形检测函数。

我们将介绍这些函数的参数设置、使用方法和示例代码，帮助读者快速掌握并应用这些函数。

在结论部分，我们将对矩形检测函数的使用进行总结，并指出其在实际应用中的优势和局限性。

同时，我们还将展望未来的矩形检测研究方向，包括基于深度学习的矩形检测算法和使用场景的扩展等。

我们希望这篇文章能够帮助读者深入理解和应用OpenCV中的矩形检测函数，并为相关研究和开发提供一些参考。

1.2 文章结构本文将分为三个主要部分进行描述，具体结构如下：第一部分为引言，旨在介绍本文的概述、结构和目的。

首先将提供对矩形检测函数的引言，简述其重要性和应用场景。

随后，将介绍文章的整体结构，概括各个章节的内容安排。

最后，在本部分中还将明确本文的目的，即通过分析和探讨opencv中用于矩形检测的相关函数，以便读者对其有一个全面的了解。

第二部分为正文。

该部分首先将深入探讨opencv检测矩形的原理，解释算法背后的工作原理和数学模型。

其次，将详细介绍opencv中的矩形检测函数，包括函数的功能、参数和使用方法。

通过对这些函数进行逐一讲解，读者将能够了解如何在opencv中使用这些函数来实现矩形检测。

第三部分为结论，分为总结矩形检测函数的使用和展望未来的矩形检测研究方向两个小节。

opencv drawcontour 填充的算法全文共四篇示例，供读者参考第一篇示例：OpenCV是一个开源的计算机视觉库，其中的drawContour函数可以用来绘制轮廓并进行填充。

填充算法是指在轮廓内部填充颜色或图案。

在本文中，我们将探讨OpenCV中drawContour填充的算法原理和实现方法。

在使用drawContour函数进行填充时，首先需要定义一个二维的图像矩阵，并用轮廓检测算法（如findContour函数）找到图像中的所有轮廓。

接下来，我们需要遍历每个轮廓，并使用fillPoly函数将轮廓内部的所有像素点进行填充。

fillPoly函数的参数包括图像矩阵、轮廓点集和填充颜色。

通过调用fillPoly函数，我们可以在轮廓内部绘制出填充效果。

除了使用单一颜色进行填充外，我们还可以通过设置复杂的填充图案来美化轮廓的显示效果。

在OpenCV中，我们可以创建一个填充图案矩阵，并通过调用实现填充方法来实现对轮廓的填充。

填充图案可以是简单的几何图案，如斜线、格子或点阵，也可以是复杂的纹理图案。

在实际应用中，填充算法不仅可以用于美化图像的显示效果，还可以在图像分割、目标检测等领域发挥重要作用。

通过对目标轮廓进行填充，我们可以更清晰地展示目标的形状和大小，从而提高图像处理的准确性和效率。

OpenCV中drawContour填充的算法是一个简单但重要的功能。

通过理解其原理和实现方法，我们可以更好地利用这一功能对图像进行处理和分析。

希望本文能对读者的学习和实践有所帮助，激发大家对计算机视觉技术的兴趣和热情。

【本篇文章共计800字】接下来我们来说说OpenCV drawContour填充的算法原理和实现细节，更深入地探讨这一功能的实现方式。

在OpenCV中，填充算法的实现过程涉及到图像的遍历和像素点的着色。

具体而言，我们需要遍历整个图像矩阵，并判断每个像素点是否在轮廓内部。

对于在轮廓内部的像素点，我们需要对其进行着色，填充颜色或图案。

c++drawcontours实现原理在计算机视觉领域，图像处理和计算机图形学是两个非常重要的分支。

其中，图像处理主要关注于对图像进行各种操作，如滤波、分割、特征提取等，而计算机图形学则关注于如何将图像或模型转换为可视化的图形。

在这两个领域中，绘制轮廓是一项重要的任务，它可以帮助我们识别和表示图像或模型中的边缘和边界。

在C++中，我们可以使用OpenCV库中的drawContours函数来实现这一功能。

drawContours函数是OpenCV库中的一个函数，用于在图像上绘制轮廓。

它接受三个主要的参数：一个Mat对象（表示图像），一个指向轮廓的指针，以及一个可选的向量（用于指定轮廓的颜色和线条样式）。

该函数将根据提供的参数在图像上绘制轮廓，并返回一个Mat对象，其中包含绘制后的图像。

二、实现原理drawContours函数的工作原理基于OpenCV中的轮廓检测算法。

该算法通常使用边缘检测算法（如Canny算法）来检测图像中的边缘，并使用数学形态学操作（如腐蚀和膨胀）来平滑边缘并消除小的噪声。

然后，算法将查找连续的边缘并合并重叠的边缘，以形成闭合的轮廓。

一旦轮廓被检测到，它们可以被绘制到图像上。

在绘制轮廓时，drawContours函数使用OpenCV的绘图API（如line()和putText()）来指定轮廓的颜色、线宽和线条样式。

这些参数可以根据需要进行调整，以获得最佳的视觉效果。

此外，drawContours函数还允许指定一个向量，其中包含用于绘制轮廓的颜色和线条样式。

这些参数可以覆盖默认值，并允许用户为每个轮廓指定不同的颜色和线条样式。

三、应用示例下面是一个简单的示例代码，演示了如何使用OpenCV库中的drawContours 函数来绘制一些简单的轮廓：```cpp#include<opencv2/opencv.hpp>#include<iostream>intmain(){//读取图像cv::Matimage=cv::imread("example.jpg");//加载轮廓std::vector<std::vector<cv::Point>>contours;std::vector<cv::Vec4i>hierarchy;cv::findContours(image,contours,hierarchy,cv::RETR_TREE,cv::CHAIN_A PPROX_SIMPLE);//绘制轮廓cv::Matoutput=image.clone();for(inti=0;i<contours.size();i++){std::vector<cv::Point>approx=cv::approxPolyDP(contours[i],cv::arcLe ngth(contours[i],false)/3);cv::drawContours(output,contours,i,approx,cv::Scalar(255,0,0),2);//红色轮廓线}//显示结果图像cv::namedWindow("Output",cv::WINDOW_NORMAL);cv::imshow("Output",output);cv::waitKey();return0;}```这段代码首先加载一张图像，并使用findContours函数检测其中的轮廓。

OpenCV findContours用法简介在计算机视觉和图像处理中，边缘检测是一个重要的任务。

OpenCV是一个流行的开源计算机视觉库，其中包含了许多图像处理和计算机视觉算法。

其中一个最基本的边缘检测算法就是findContours函数。

findContours函数可以帮助我们找到图像中的所有轮廓。

轮廓是由一系列连续的点组成的曲线，它们代表了图像中不同物体的边界。

通过找到轮廓，我们可以实现很多图像处理和计算机视觉任务，比如对象检测、对象跟踪、形状识别等。

在本文中，我们将深入介绍OpenCV中findContours函数的用法。

我们将讨论它的参数、返回值以及一些实际应用场景。

findContours函数的语法OpenCV的findContours函数有几种不同的语法。

这里我们将介绍其中一种常用的语法：contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierar chy[, offset]]])参数解释：•image: 需要进行边缘检测的输入图像。

这个图像应该是一个灰度图像，因为边缘检测算法通常只能在灰度图像上操作。

•mode: 轮廓检索模式。

有几种不同的模式可以选择，最常用的是cv2.RETR_EXTERNAL（只检测外部轮廓）和cv2.RETR_LIST（检测所有轮廓）。

•method: 轮廓近似方法。

有几种不同的方法可以选择，最常用的是cv2.CHAIN_APPROX_SIMPLE（压缩水平的、垂直的和斜的部分，只保留端点）和cv2.CHAIN_APPROX_NONE（保留所有的坐标点）。

•contours(可选): 返回的轮廓。

这是一个包含所有轮廓的列表。

•hierarchy(可选): 轮廓关系。

这是一个包含每个轮廓的父子关系的列表。

•offset(可选): 轮廓的偏移量。

findContours函数的返回值findContours函数的返回值包括两个部分：轮廓和轮廓关系。

1、cvLoadImage：将图像文件加载至内存；2、cvNamedWindow：在屏幕上创建一个窗口；3、cvShowImage：在一个已创建好的窗口中显示图像；4、cvWaitKey：使程序暂停，等待用户触发一个按键操作；5、cvReleaseImage：释放图像文件所分配的内存；6、cvDestroyWindow：销毁显示图像文件的窗口；7、cvCreateFileCapture：通过参数设置确定要读入的AVI文件；8、cvQueryFrame：用来将下一帧视频文件载入内存；9、cvReleaseCapture：释放CvCapture结构开辟的内存空间；10、cvCreateTrackbar：创建一个滚动条；11、cvSetCaptureProperty：设置CvCapture对象的各种属性；12、cvGetCaptureProperty：查询CvCapture对象的各种属性；13、cvGetSize：当前图像结构的大小；14、cvSmooth：对图像进行平滑处理；15、cvPyrDown：图像金字塔，降采样，图像缩小为原来四分之一；16、cvCanny：Canny边缘检测；17、cvCreateCameraCapture：从摄像设备中读入数据；18、cvCreateVideoWriter：创建一个写入设备以便逐帧将视频流写入视频文件；19、cvWriteFrame：逐帧将视频流写入文件；20、cvReleaseVideoWriter：释放CvVideoWriter结构开辟的内存空间；21、CV_MAT_ELEM：从矩阵中得到一个元素；22、cvAbs：计算数组中所有元素的绝对值；23、cvAbsDiff：计算两个数组差值的绝对值；24、cvAbsDiffS：计算数组和标量差值的绝对值；25、cvAdd：两个数组的元素级的加运算；26、cvAddS：一个数组和一个标量的元素级的相加运算；27、cvAddWeighted：两个数组的元素级的加权相加运算(alpha运算)；28、cvAvg：计算数组中所有元素的平均值；29、cvAvgSdv：计算数组中所有元素的绝对值和标准差；30、cvCalcCovarMatrix：计算一组n维空间向量的协方差；31、cvCmp：对两个数组中的所有元素运用设置的比较操作；32、cvCmpS：对数组和标量运用设置的比较操作；33、cvConvertScale：用可选的缩放值转换数组元素类型；34、cvCopy：把数组中的值复制到另一个数组中；35、cvCountNonZero：计算数组中非0值的个数；36、cvCrossProduct：计算两个三维向量的向量积(叉积)；37、cvCvtColor：将数组的通道从一个颜色空间转换另外一个颜色空间；38、cvDet：计算方阵的行列式；39、cvDiv：用另外一个数组对一个数组进行元素级的除法运算；40、cvDotProduct：计算两个向量的点积；41、cvEigenVV：计算方阵的特征值和特征向量；42、cvFlip：围绕选定轴翻转；43、cvGEMM：矩阵乘法；44、cvGetCol：从一个数组的列中复制元素；45、cvGetCols：从数据的相邻的多列中复制元素；46、cvGetDiag：复制数组中对角线上的所有元素；47、cvGetDims：返回数组的维数；48、cvGetDimSize：返回一个数组的所有维的大小；49、cvGetRow：从一个数组的行中复制元素值；50、cvGetRows：从一个数组的多个相邻的行中复制元素值；51、cvGetSize：得到二维的数组的尺寸，以CvSize返回；52、cvGetSubRect：从一个数组的子区域复制元素值；53、cvInRange：检查一个数组的元素是否在另外两个数组中的值的范围内；54、cvInRangeS：检查一个数组的元素的值是否在另外两个标量的范围内；55、cvInvert：求矩阵的逆；56、cvMahalonobis：计算两个向量间的马氏距离；57、cvMax：在两个数组中进行元素级的取最大值操作；58、cvMaxS：在一个数组和一个标量中进行元素级的取最大值操作；59、cvMerge：把几个单通道图像合并为一个多通道图像；60、cvMin：在两个数组中进行元素级的取最小值操作；61、cvMinS：在一个数组和一个标量中进行元素级的取最小值操作；62、cvMinMaxLoc：寻找数组中的最大最小值；63、cvMul：计算两个数组的元素级的乘积(点乘)；64、cvNot：按位对数组中的每一个元素求反；65、cvNormalize：将数组中元素进行归一化；66、cvOr：对两个数组进行按位或操作；67、cvOrs：在数组与标量之间进行按位或操作；68、cvReduce：通过给定的操作符将二维数组简为向量；69、cvRepeat：以平铺的方式进行数组复制；70、cvSet：用给定值初始化数组；71、cvSetZero：将数组中所有元素初始化为0；72、cvSetIdentity：将数组中对角线上的元素设为1，其他置0；73、cvSolve：求出线性方程组的解；74、cvSplit：将多通道数组分割成多个单通道数组；75、cvSub：两个数组元素级的相减；76、cvSubS：元素级的从数组中减去标量；77、cvSubRS：元素级的从标量中减去数组；78、cvSum：对数组中的所有元素求和；79、cvSVD：二维矩阵的奇异值分解；80、cvSVBkSb：奇异值回代计算；81、cvTrace：计算矩阵迹；82、cvTranspose：矩阵的转置运算；83、cvXor：对两个数组进行按位异或操作；84、cvXorS：在数组和标量之间进行按位异或操作；85、cvZero：将所有数组中的元素置为0；86、cvConvertScaleAbs：计算可选的缩放值的绝对值之后再转换数组元素的类型；87、cvNorm：计算数组的绝对范数，绝对差分范数或者相对差分范数；88、cvAnd：对两个数组进行按位与操作；89、cvAndS：在数组和标量之间进行按位与操作；90、cvScale：是cvConvertScale的一个宏，可以用来重新调整数组的内容，并且可以将参数从一种数据类型转换为另一种；91、cvT：是函数cvTranspose的缩写；92、cvLine：画直线；93、cvRectangle：画矩形；94、cvCircle：画圆；95、cvEllipse：画椭圆；96、cvEllipseBox：使用外接矩形描述椭圆；97、cvFillPoly、cvFillConvexPoly、cvPolyLine：画多边形；98、cvPutText：在图像上输出一些文本；99、cvInitFont：采用一组参数配置一些用于屏幕输出的基本个特定字体；100、cvSave：矩阵保存；101、cvLoad：矩阵读取；102、cvOpenFileStorage：为读/写打开存储文件；103、cvReleaseFileStorage：释放存储的数据；104、cvStartWriteStruct：开始写入新的数据结构；105、cvEndWriteStruct：结束写入数据结构；106、cvWriteInt：写入整数型；107、cvWriteReal：写入浮点型；108、cvWriteString：写入字符型；109、cvWriteComment：写一个XML或YAML的注释字串；110、cvWrite：写一个对象；111、cvWriteRawData：写入多个数值；112、cvWriteFileNode：将文件节点写入另一个文件存储器；113、cvGetRootFileNode：获取存储器最顶层的节点；114、cvGetFileNodeByName：在映图或存储器中找到相应节点；115、cvGetHashedKey：为名称返回一个惟一的指针；116、cvGetFileNode：在映图或文件存储器中找到节点；117、cvGetFileNodeName：返回文件的节点名；118、cvReadInt：读取一个无名称的整数型；119、cvReadIntByName：读取一个有名称的整数型；120、cvReadReal：读取一个无名称的浮点型；121、cvReadRealByName：读取一个有名称的浮点型；122、cvReadString：从文件节点中寻找字符串；123、cvReadStringByName：找到一个有名称的文件节点并返回它；124、cvRead：将对象解码并返回它的指针；125、cvReadByName：找到对象并解码；126、cvReadRawData：读取多个数值；127、cvStartReadRawData：初始化文件节点序列的读取；128、cvReadRawDataSlice：读取文件节点的内容；129、cvGetModuleInfo：检查IPP库是否已经正常安装并且检验运行是否正常；130、cvResizeWindow：用来调整窗口的大小；131、cvSaveImage：保存图像；132、cvMoveWindow：将窗口移动到其左上角为x,y的位置；133、cvDestroyAllWindow：用来关闭所有窗口并释放窗口相关的内存空间；134、cvGetTrackbarPos：读取滑动条的值；135、cvSetTrackbarPos：设置滑动条的值；136、cvGrabFrame：用于快速将视频帧读入内存；137、cvRetrieveFrame：对读入帧做所有必须的处理；138、cvConvertImage：用于在常用的不同图像格式之间转换；139、cvErode：形态腐蚀；140、cvDilate：形态学膨胀；141、cvMorphologyEx：更通用的形态学函数；142、cvFloodFill：漫水填充算法，用来进一步控制哪些区域将被填充颜色；143、cvResize：放大或缩小图像；144、cvPyrUp：图像金字塔，将现有的图像在每个维度上都放大两倍；145、cvPyrSegmentation：利用金字塔实现图像分割；146、cvThreshold：图像阈值化；147、cvAcc：可以将8位整数类型图像累加为浮点图像；148、cvAdaptiveThreshold：图像自适应阈值；149、cvFilter2D：图像卷积；150、cvCopyMakeBorder：将特定的图像轻微变大，然后以各种方式自动填充图像边界；151、cvSobel：图像边缘检测，Sobel算子；152、cvLaplace：拉普拉斯变换、图像边缘检测；153、cvHoughLines2：霍夫直线变换；154、cvHoughCircles：霍夫圆变换；155、cvRemap：图像重映射，校正标定图像，图像插值；156、cvWarpAffine：稠密仿射变换；157、cvGetQuadrangleSubPix：仿射变换；158、cvGetAffineTransform：仿射映射矩阵的计算；159、cvCloneImage：将整个IplImage结构复制到新的IplImage中；160、cv2DRotationMatrix：仿射映射矩阵的计算；161、cvTransform：稀疏仿射变换；162、cvWarpPerspective：密集透视变换(单应性)；163、cvGetPerspectiveTransform：计算透视映射矩阵；164、cvPerspectiveTransform：稀疏透视变换；165、cvCartToPolar：将数值从笛卡尔空间到极坐标(极性空间)进行映射；166、cvPolarToCart：将数值从极性空间到笛卡尔空间进行映射；167、cvLogPolar：对数极坐标变换；168、cvDFT：离散傅里叶变换；169、cvMulSpectrums：频谱乘法；170、cvDCT：离散余弦变换；171、cvIntegral：计算积分图像；172、cvDistTransform：图像的距离变换；173、cvEqualizeHist：直方图均衡化；174、cvCreateHist：创建一新直方图；175、cvMakeHistHeaderForArray：根据已给出的数据创建直方图；176、cvNormalizeHist：归一化直方图；177、cvThreshHist：直方图阈值函数；178、cvCalcHist：从图像中自动计算直方图；179、cvCompareHist：用于对比两个直方图的相似度；180、cvCalcEMD2：陆地移动距离(EMD)算法；181、cvCalcBackProject：反向投影；182、cvCalcBackProjectPatch：图块的方向投影；183、cvMatchTemplate：模板匹配；184、cvCreateMemStorage：用于创建一个内存存储器；185、cvCreateSeq：创建序列；186、cvSeqInvert：将序列进行逆序操作；187、cvCvtSeqToArray：复制序列的全部或部分到一个连续内存数组中；188、cvFindContours：从二值图像中寻找轮廓；189、cvDrawContours：绘制轮廓；190、cvApproxPoly：使用多边形逼近一个轮廓；191、cvContourPerimeter：轮廓长度；192、cvContoursMoments：计算轮廓矩；193、cvMoments：计算Hu不变矩；194、cvMatchShapes：使用矩进行匹配；195、cvInitLineIterator：对任意直线上的像素进行采样；196、cvSampleLine：对直线采样；197、cvAbsDiff：帧差；198、cvWatershed：分水岭算法；199、cvInpaint：修补图像；200、cvGoodFeaturesToTrack：寻找角点；201、cvFindCornerSubPix：用于发现亚像素精度的角点位置；202、cvCalcOpticalFlowLK：实现非金字塔的Lucas-Kanade稠密光流算法；203、cvMeanShift：mean-shift跟踪算法；204、cvCamShift：camshift跟踪算法；205、cvCreateKalman：创建Kalman滤波器；206、cvCreateConDensation：创建condensation滤波器；207、cvConvertPointsHomogenious：对齐次坐标进行转换；208、cvFindChessboardCorners：定位棋盘角点；209、cvFindHomography：计算单应性矩阵；210、cvRodrigues2：罗德里格斯变换；211、cvFitLine：直线拟合算法；212、cvCalcCovarMatrix：计算协方差矩阵；213、cvInvert：计算协方差矩阵的逆矩阵；214、cvMahalanobis：计算Mahalanobis距离；215、cvKMeans2：K均值；216、cvCloneMat：根据一个已有的矩阵创建一个新矩阵；217、cvPreCornerDetect：计算用于角点检测的特征图；218、cvGetImage：CvMat图像数据格式转换成IplImage图像数据格式；219、cvMatMul：两矩阵相乘；。

cv2.drawcontours轮廓填充原理CV2 (OpenCV) 是一款广泛使用的计算机视觉和图像处理库，它在实现各种视觉算法时有着广泛的应用。

其中，cv2.drawContours 是其中重要的一部分，它被用于对图形进行轮廓填充。

本文将介绍关于 cv2.drawContours 轮廓填充原理的知识。

1. 轮廓填充介绍轮廓是指在一张图像中连续的、无缝的区域（具有相同的颜色或强度）。

轮廓查找是图像分割中的一种重要技术。

计算机视觉中轮廓查找主要包括两个步骤：轮廓提取和轮廓填充。

在轮廓提取完成之后，可以通过轮廓填充来对得到的轮廓进行彩色或灰度填充，以实现良好的视觉体验和较好的效果。

2. OpenCV 的绘制轮廓和填充轮廓的函数在 OpenCV 中提供了以下两个函数用于绘制轮廓：cv2.drawContourscv2.drawContours(image, contours, contourIdx, color[, thickness[, lineType[, hierarchy[, maxLevel[, offset]]]]])参数列表：image: 输入图像。

contours: 要绘制到图像上的轮廓，可以为单个轮廓（n，2），也可以为包含多个轮廓的列表。

contourIdx: 轮廓中子轮廓的索引，-1 表示绘制所有轮廓。

color: 填充颜色。

thickness: 绘制轮廓的线宽度，如果为-1，则表示绘制实心填充，否则默认值为1，表示绘制边界线。

lineType: 线类型。

默认值为 cv.LINE_AA。

hierarchy: 父轮廓与子轮廓的关系，如果不需要使用，可以默认为 None。

maxLevel: 最大轮廓层数。

offset: 从轮廓坐标到输出图像坐标的可选偏移量。

cv2.fillPolycv2.fillPoly(img, pts, color[, lineType[,shift[, offset]]])参数列表：img: 输入图像。

opencv findcontours函数OpenCV是一个开源的计算机视觉库，它可以在各种平台上使用。

库包含了许多模块，这些模块可以处理图像、视频、三维成像、物体检测等等，其中一个重要的模块是“图像处理”，它提供了许多基本的图像处理函数。

在图像处理中，寻找轮廓是一个常见的任务。

OpenCV的“findContours()”函数是寻找轮廓的重要工具。

该函数能够搜索图像中的所有连通区域，并将每个连通区域的轮廓上的点转换为一个向量。

因此，该函数的返回值是一个包含所有轮廓的向量。

该函数的语法如下：findContours(image, contours, hierarchy, mode, method, offset=cv::Point())参数解释：轮廓检索模式:- RETR_EXTERNAL:表示只检测外轮廓，不检测内部的轮廓。

例如只检测图像边界的轮廓。

- RETR_CCOMP:表示检测所有轮廓，但是只有两层轮廓，一层是外层轮廓，另一个是空心内部轮廓。

比如一个圆形中的嵌套矩形，就可以使用这个模式来检测，这样可以将外圆的轮廓和内矩形的轮廓分别储存。

轮廓逼近方法:这个参数决定检测到的轮廓以多少的精度来逼近实际图形，共有三种可选模式：以下是一个简单的程序示例：```cpp#include <opencv2/opencv.hpp>#include <iostream>using namespace cv;using namespace std;if (img.empty()){cout << "Could not open or find the image" << endl;return -1;}Mat binary_output;threshold(img, binary_output, 128, 255, THRESH_BINARY);Mat conMat = Mat::zeros(img.size(),CV_8UC3);for(int i=0;i<contours.size();++i){drawContours(conMat, contours, i, Scalar(0,255,0), 2, LINE_AA);}imshow("Contours Image",conMat);return 0;}```findContours函数可以处理输入任何大小和形状的二值图像，它会从输入的图像中自动检测出连通的区域并保存，并返回所有的轮廓点。

OpenCV图像处理中常⽤函数汇总（1）1//俗话说：好记性不如烂笔头2//⽤到opencv 中的函数时往往会⼀时记不起这个函数的具体参数怎么设置，故在此将常⽤函数做⼀汇总；34 Mat srcImage = imread("C:/Users/Administrator/Desktop/车牌识别/车牌图像库/1.jpg");//读⼊图像函数56 imshow("原图",srcImage);//显⽰图像函数78 imwrite("图3.jpg",imageRIO);//保存图像函数910 Mat imageRIO = srcImage(Rect(50,50,100,000));//感兴趣区域函数1112 cvtColor(srcImage,dstImage,CV_BGR2GRAY);//图像灰度化131415//边缘检测 Sobel Laplacian Canny 其中Canny算⼦只能处理（8位）灰度图，其余两种8位32位都可以16 Mat grad_x,grad_y;17 Sobel(imgGray,grad_x,CV_8U,1,0,3,1,1);//X⽅向上的Sobel算⼦检测，其中3，1，0都是默认值1819 Sobel(imgGray,grad_y,CV_8U,0,1,3,1,0);//Y⽅向上的Sobel算⼦检测，其中3，1，0都是默认值2021 addWeighted(grad_x,0.5,grad_y,0.5,0,dstImage);//合并梯度2223 Laplacian(imgGray,dstImage,CV_8U);2425 Canny(imgGray,dstImage,50,200,3);//50和200表⽰第⼀个滞后性阈值和第⼆个滞后性阈值，较⼩者⽤于边缘连接，较⼤者控制强边缘的初始段，达阈值opnecv推荐为⼩阈值的3倍；26//3表⽰应⽤的Sobel算⼦的孔径⼤⼩有默认值为3；2728// 寻找轮廓只处理8位即灰度图像29 vector<vector<Point>> contours;30 findContours(imgGray,contours,CV_RETR_EXTERNAL,CV_CHAIN_APPROX_NONE);31 drawContours(dstImage,contours,-1,Scalar(0),3);32 imshow("轮廓图",dstImage);333435//阈值化操作36 threshold(srcImage,dstImage,100,255,3);37 imshow("固定阈值化图像",dstImage);38 adaptiveThreshold(imgGray,dstImage,255,ADAPTIVE_THRESH_MEAN_C,THRESH_BINARY,3,1);39 imshow("⾃适应阈值化图像",dstImage);404142// resize函数实现43 resize(srcImage,dstImage,Size(),0.5,0.5);//缩⼩为⼀半44 resize(srcImage,dstImage,Size(),2,2);//放⼤2倍45 resize(srcImage,dstImage,Size(srcImage.cols*3,srcImage.rows*3));//放⼤3倍464748// ⾦字塔函数实现49 pyrUp(srcImage,dstImage,Size(srcImage.cols*2,srcImage.rows*2));// 放⼤2倍50 pyrDown(srcImage,dstImage,Size(srcImage.cols/2,srcImage.rows/2));// 缩⼩2倍5152//漫⽔填充算法53 Rect ccomp;54 floodFill(srcImage,Point(50,300),Scalar(155,255,55),&ccomp,Scalar(20,20,20),Scalar(20,20,20));5556//膨胀腐蚀57 Mat element = getStructuringElement(MORPH_RECT,Size(15,15));58 erode(srcImage,dstImage,element);//腐蚀函数59 dilate(srcImage,dstImage,element);//膨胀函数6061 morphologyEx(g_bgrImage,g_bgrImage, MORPH_CLOSE, element);//闭运算6263 morphologyEx(g_bgrImage,g_bgrImage, MORPH_OPEN, element);//开运算646566//滤波67 boxFilter(srcImage,dstImage,-1,Size(3,3));68 imshow("⽅框滤波图",dstImage);6970 blur(srcImage,dstImage,Size(3,3));71 imshow("均值滤波图",dstImage);7273 GaussianBlur(srcImage,dstImage,Size(5,7),1,1);74 imshow("⾼斯滤波图",dstImage);7576 medianBlur(image,out,7);//中值滤波，7为孔径的线性尺⼨77 bilateralFilter(src,dst,d,sigmaColor,sigmaSpace);//双边滤波，d表⽰过滤过程中每个像素邻域的直径，sigmaColor颜⾊空间滤波器的sigma值，sigmaSpace表⽰坐标空间中滤波器的sigma值78 bilateralFilter(image,out,25,25*2,25/2);7980//《未完待续》81。

opencv图像轮廓的实现⽰例图像轮廓Contours：轮廓轮廓是将没有连着⼀起的边缘连着⼀起。

边缘检测检测出边缘，边缘有些未连接在⼀起。

注意问题1.对象为⼆值图像，⾸先进⾏阈值分割或者边缘检测。

2.查找轮廓需要更改原始图像，通常使⽤原始图像的⼀份进⾏拷贝。

3.在opencv⾥，是从⿊⾊背景⾥找⽩⾊。

因此对象必须是⽩⾊，背景为⿊⾊。

⽅法cv2.findContours()cv2.drawContours()通过cv2.findContours() 查找轮廓在哪⾥，再通过 cv2.drawContours()将查找的轮廓绘制出来。

contours,hierarchy=cv2.findContours(image,mode,method)contours：轮廓hierarchy:图像的拓扑信息（轮廓层次）（存储上⼀个轮廓，⽗轮廓…）image：原始图像mode:轮廓检索⽅式method:轮廓的近似⽅法r=cv2.drawContours(image, contours, contourIdx, color[, thickness])r:⽬标图像image:原始图像contours: 所有的输⼊轮廓边缘数组contourIdx ：需要绘制的边缘索引，如果全部绘制为-1。

如果有多个⽬标，可以绘制第⼀个⽬标0，第⼆个⽬标1，第三个⽬标2.。

color：绘制的颜⾊，为BGR格式的SCalarthickness:可选，绘制的密度，即轮廓的画笔粗细import cv2import numpy as npo = cv2.imread('lena256.bmp')gray = cv2.cvtColor(o,cv2.COLOR_BGR2GRAY)#BGR-灰度ret, binary = cv2.threshold(gray,127,255,cv2.THRESH_BINARY)#⼆值图像contours, hierarchy = cv2.findContours(binary,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)co=o.copy()#对原始图像进⾏绘制r=cv2.drawContours(co,contours,-1,(0,127,127),4)#co为复制图像，轮廓会修改原始图像cv2.imshow("original",o)cv2.imshow("contours",r)cv2.waitKey()cv2.cvtColor(input_image, flag)⽤于颜⾊空间转换。

OpenCV学习之路（十）轮廓的一些操作contours返回值详解轮廓类似详解在findContours()函数中，我们一共返回了三个参数：image，contours，hierarchy。

其中image代表的是修改之后的原图，contours代表的是轮廓，hierarchy代表的是轮廓的层次结构。

我们主要来讨论一下第二个返回值：contours。

以及轮廓可以进行的一些操作。

contourscontours代表的是找到的轮廓，它是一个numpy中的列表结构，那么接下来就让我们探究一下这个列表究竟是怎么存储轮廓的。

import numpy as npimport cv2img=cv2.imread('D://zopencv//contours.png')imgcopy=img.copy()imgray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)ret,img_thre=cv2.threshold(imgray,127,255,cv2.THRESH_BIN ARY)image,contours,hierarchy=cv2.findContours(img_thre,cv2.RE TR_TREE,cv2.CHAIN_APPROX_NONE)mask1=cv2.drawContours(imgcopy,contours,-1,(0,0,255),2)cv2.imshow('mask1',mask1)cv2.waitKey(0)cv2.destroyAllWindows()之前我们已经讨论过了，drawContours()函数的第三个参数是轮廓的索引，如果我们定为-1就会把所有轮廓画出。

那你有没有想过，他既然是索引，我们是不是可以一个一个轮廓的画出来。

我们将索引定为0：mask1=cv2.drawContours(imgcopy,contours,0,(0,0,255),2)只有正方形的轮廓被画了出来，也就是说，正方形的轮廓在轮廓列表contours中的索引是0.同理，我们可以把索引分别设置成1,2。

contour函数
opencv的contour函数是一个非常实用的工具，它可以帮助我们对图像进行轮廓处理。

1. 什么是opencv的contour？
OpenCV的Contour可以被定义为一条线，它是由图像上所有连续有色点数组成的。

它以点或线的形式确定图像边界以及其内任何形状的位置，为视觉系统提供了重要的信息。

Contour的应用包括视觉检测、形状检测、视觉跟随以及模特抓取等测量工作。

2. contour函数的作用
Contour函数可以帮助我们精确地定位和描述一个图像中形状的位置和大小，它可以用来检测图像中的异常点，如抠图，或者用来查看图像上的形状，甚至可以做到比深度学习更精确的物体检测。

3. contour函数用法
Contour函数可以通过opencv提供的函数来实现，具体实现方法如下：（1）首先，在原图上找到轮廓，调用findContours函数；
（2）计算出每个轮廓的边界，调用boundingRect函数；
（3）绘制轮廓，调用drawContours函数。

4. contour函数的应用场景
(1）轮廓图像分割：可以用Contour函数实现图像的剪裁、分离、重组
等内容；
（2）计算轮廓矩：Contour函数可以计算一个图像中物体的面积、周
长等，从而完成一些形态学操作；
（3）精确定位和配准：Contour函数可以帮助我们快速定位图像中某
一对象的位置，从而实现两个图像之间的逐点匹配；
（4）检测异常：Contour函数可以用来检测图像中的异常，实现抠图。

总之，opencv的contour函数使我们可以更迅速准确的处理图像，帮助
我们更好的实现计算机视觉的任务。

cvFindContourscvFindContours可以得到一个图象所有的轮廓, 返回的是轮廓的数量.函数cvFindContours从二值图像中检索轮廓，并返回检测到的轮廓的个数。

first_contour 的值由函数填充返回，它的值将为第一个外轮廓的指针，当没有轮廓被检测到时为NULL。

其它轮廓可以使用h_next和连接，从first_contour到达。

h_next 同一个层次上的v_next 父与子关系int cvFindContours( CvArr* image, CvMemStorage* storage, CvSeq** first_contour, int header_size = sizeof(CvContour), int mode = CV_RETR_LIST,int method = CV_CHAIN_APPROX_SIMPLE, CvPoint offset=cvPoint(0,0) );image：8比特单通道的源二值图像。

非零像素作为1处理，0像素保存不变。

从一个灰度图像得到二值图像的函数有：cvThreshold，cvAdaptiveThreshold和cvCanny。

Storage：返回轮廓的容器。

first_contour：输出参数，用于存储指向第一个外接轮廓。

//动态序列header_size：header序列的尺寸。

如果选择method = CV_CHAIN_CODE,则header_size >= sizeof(CvChain)；其他，则header_size >= sizeof(CvContour)。

Mode：检索模式，可取值如下：CV_RETR_EXTERNAL：只检索最外面的轮廓；CV_RETR_LIST：检索所有的轮廓，并将其放入list中；CV_RETR_CCOMP：检索所有的轮廓，并将他们组织为两层：顶层是各部分的外部边界，第二层是空洞的边界；CV_RETR_TREE：检索所有的轮廓，并重构嵌套轮廓的整个层次。