OpenCV轮廓检测问题：如何获取连续清晰的轮廓？

我之前也碰到过一模一样的情况——用cv2.findContours跑出来的轮廓碎得像拼图块，完全不是想要的连续效果。不用换方法，就用你熟悉的这个函数，调整预处理和参数就能搞定，下面是亲测有效的步骤：

一、先做预处理：把断开的轮廓“粘”起来 #

不连续的轮廓大多是原图有噪点、小间隙导致的，先给图像做这几步预处理：

• 模糊降噪：先用cv2.GaussianBlur或者cv2.medianBlur把细碎噪点抹掉，避免检测出一堆无关的小轮廓：

  # 先转灰度图
  gray_img = cv2.cvtColor(input_img, cv2.COLOR_BGR2GRAY)
  # 高斯模糊，核大小根据噪点调整，5x5是通用值
  blurred = cv2.GaussianBlur(gray_img, (5, 5), 0)
  

• 优化二值化：如果是阈值分割导致轮廓断开，试试自适应阈值cv2.adaptiveThreshold，它能根据局部区域调整阈值，比全局阈值更适配光照不均的图像：

  binary_img = cv2.adaptiveThreshold(
      blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
      cv2.THRESH_BINARY_INV, 11, 2
  )
  

  要是喜欢全局阈值，加上cv2.THRESH_OTSU自动选最优阈值，省得手动调参：

  _, binary_img = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
  

• 形态学闭运算（关键！）：闭运算能填充小间隙，把断开的轮廓直接连起来。用cv2.morphologyEx选cv2.MORPH_CLOSE，核的大小根据你图像的间隙调整：

  # 矩形核，3x3适合小间隙，间隙大就换成5x5、7x7
  kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
  closed_img = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)
  

  闭运算先膨胀再腐蚀，刚好能补上小缺口，让轮廓瞬间变得连续。

二、调整findContours的参数，拿到更完整的轮廓 #

默认参数可能不是最优的，微调这两个参数就能提升效果：

• 轮廓检索模式：如果只需要最外层轮廓，cv2.RETR_EXTERNAL没问题，但要是想让函数更准确识别连续结构，试试cv2.RETR_TREE（不用管层级，只是让检索逻辑更完整）；
• 轮廓逼近方法：默认的cv2.CHAIN_APPROX_SIMPLE会压缩轮廓点，要是想拿到最完整的连续轮廓线，换成cv2.CHAIN_APPROX_NONE，后续可以用cv2.approxPolyDP简化点数量：

  # 用处理后的闭运算图像检测轮廓
  contours, _ = cv2.findContours(closed_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
  # 简化轮廓点，避免点太多影响效率
  approx_contours = [
      cv2.approxPolyDP(cnt, 0.01 * cv2.arcLength(cnt, True), True) 
      for cnt in contours
  ]
  

三、后处理：合并邻近的小轮廓 #

如果预处理后还有零星断开的小轮廓，可以手动合并距离近的轮廓：
写个简单的函数，根据质心距离判断是否合并：

import numpy as np

def merge_nearby_contours(contours, distance_threshold=10):
    merged_contours = []
    while contours:
        current_cnt = contours.pop(0)
        # 计算当前轮廓的质心
        M = cv2.moments(current_cnt)
        cx = int(M['m10']/M['m00']) if M['m00'] != 0 else 0
        cy = int(M['m01']/M['m00']) if M['m00'] != 0 else 0
        
        # 找所有距离近的轮廓
        to_merge_indices = []
        for idx, cnt in enumerate(contours):
            M_cnt = cv2.moments(cnt)
            cx_cnt = int(M_cnt['m10']/M_cnt['m00']) if M_cnt['m00'] != 0 else 0
            cy_cnt = int(M_cnt['m01']/M_cnt['m00']) if M_cnt['m00'] != 0 else 0
            distance = np.sqrt((cx - cx_cnt)**2 + (cy - cy_cnt)**2)
            if distance < distance_threshold:
                to_merge_indices.append(idx)
        
        # 合并轮廓
        for idx in reversed(to_merge_indices):
            cnt_to_merge = contours.pop(idx)
            current_cnt = np.vstack((current_cnt, cnt_to_merge))
        
        merged_contours.append(current_cnt)
    return merged_contours

调用后把合并好的轮廓画出来：

merged_contours = merge_nearby_contours(approx_contours)
# 在原图上绘制连续轮廓
result_img = cv2.drawContours(input_img.copy(), merged_contours, -1, (0, 255, 0), 2)
cv2.imshow('Continuous Contours', result_img)
cv2.waitKey(0)

按照这个流程走，应该就能得到你想要的连续轮廓效果了！

内容的提问来源于stack exchange，提问作者Andrew