如何通过OpenCV与Python调用findContours自动定位图像边界点坐标

• 当前代码直接在灰度图上做高阈值二值化，会把亮度高于225的纯白背景全部判定为前景，提取到的轮廓本质是整张图的最外层背景边界，和需要定位的蓝色边界线完全无关。
• 硬取contours[0][1]的坐标，只是在这个无关的大背景轮廓上随便选了个点，自然会落在图片边缘的白背景区域，无法落在蓝色目标线上。

1. 先通过色彩筛选单独提取蓝色边界像素 #

目标是识别蓝色的边界线，灰度阈值无法区分蓝色线和白色背景，需要转换到HSV色彩空间，通过蓝色的色相范围生成专属掩膜，把蓝色线从全局背景中单独抠出来：

import numpy as np
# 读取图像
image = cv2.imread("testImage.jpg")
# 转HSV色彩空间
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
# 定义蓝色的HSV取值范围（可根据实际光照微调数值）
lower_blue = np.array([100, 43, 46])
upper_blue = np.array([124, 255, 255])
# 生成仅保留蓝色区域的二值掩膜
blue_mask = cv2.inRange(hsv, lower_blue, upper_blue)

生成的blue_mask中，白色像素就完全对应原图的蓝色边界线，没有其他无关的背景干扰。

2. 正确调用findContours提取目标轮廓 #

直接在蓝色掩膜上提取轮廓，替换掉原来在全局灰度阈值图上找轮廓的逻辑：

contours, hierarchy = cv2.findContours(blue_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

参数调整的说明：

• 优先用cv2.RETR_EXTERNAL替代原来的cv2.RETR_TREE：只提取蓝色线的最外层轮廓，避免把蓝色线上细碎噪点生成的嵌套小轮廓也算入结果。
• 优先用cv2.CHAIN_APPROX_NONE替代原来的cv2.CHAIN_APPROX_SIMPLE：保留轮廓上所有连续的像素坐标，而不是只压缩保留轮廓的端点，这样能拿到边界上所有可选取的点。

3. 从有效轮廓上选取任意单点坐标 #

• 先过滤无效的细碎轮廓：实际场景中掩膜可能会包含噪点生成的微小轮廓，可以通过轮廓周长过滤掉无效结果：

  # 保留周长大于100的轮廓，过滤噪点生成的小轮廓
  valid_contours = [c for c in contours if cv2.arcLength(c, closed=False) > 100]
  target_contour = valid_contours[0]
  

• 按位置取点：轮廓本身是形状为(N, 1, 2)的numpy数组，每个元素对应轮廓上一个点的(x,y)坐标，想选哪个位置的边界点，直接修改数组索引即可：

  # 取轮廓上第100个像素的坐标，更换索引值就能在蓝色边界上任意选点
  point = tuple(target_contour[100][0])
  

• 后续的画点、显示图像逻辑可以和原有代码保持一致，最终标记的点就会精准落在蓝色边界线上。

• 不要直接复用全局灰度阈值的结果找轮廓：白色背景的亮度远高于蓝色线，全局高阈值会把整个白背景判定为前景，提取到的轮廓永远是图片的外边界，无法接触到蓝色目标线。
• 不要硬编码固定的轮廓索引：如果图像存在噪点生成的多组轮廓，直接取contours[0]大概率会拿到噪点生成的小轮廓，不是目标蓝色线的有效轮廓。

内容的提问来源于stack exchange，提问作者Pr.Syn