1. 从一个实际需求说起为什么要做多边形识别做过图像处理项目的人大概都有这样的经历拿到一张图里面有一堆几何形状客户或者导师要求你自动数出三角形有几个、矩形有几个、五边形有几个甚至还要标出每个形状的中心坐标和面积。这种需求在工业质检、教学演示、自动化分拣、文档扫描矫正等场景里非常常见。我最早接触这类需求是在一个模拟的零件分类项目里传送带上散落着不同形状的金属片需要实时判断每个零件的形状类别。当时试过直接上深度学习方案但标注数据太少训练效果不稳定后来退回到传统视觉方案用OpenCV做轮廓检测加多边形拟合反而跑得又快又稳。这就是“基于轮廓检测的多边形识别”这个项目的核心价值所在。它不依赖大量训练数据不需要GPU一台普通笔记本就能跑代码量也不大但能把形状分类这件事做得相当可靠。适合谁看如果你正在学OpenCV、做课程设计、搞简单的视觉分拣Demo或者想理解传统图像处理里“轮廓”这个概念到底怎么用这篇内容就是写给你的。我会从整体设计思路讲到具体代码实现再到实际调试中踩过的坑尽量把每个环节的“为什么”说清楚。2. 整体方案设计与核心思路拆解2.1 为什么选轮廓检测而不是其他方案多边形识别这个任务表面上看是分类问题但本质上可以拆成两步先把形状从背景里“抠”出来再判断它是什么形状。第一步就是轮廓检测要干的事。OpenCV提供了findContours这个函数它能在二值图像上把连通的边界找出来每个轮廓就是一组点坐标。拿到这些点之后第二步用approxPolyDP做多边形逼近把轮廓简化成少数几个顶点顶点数量直接对应形状类别——3个顶点是三角形4个是矩形或四边形5个是五边形以此类推。这个思路的优势在于逻辑透明。深度学习方案像个黑盒你给它图它给你标签中间发生了什么很难解释。而轮廓检测加多边形拟合每一步都有明确的数学含义参数调整也有方向感。比如轮廓找多了你知道是阈值分割的问题顶点数不对你知道是逼近精度的问题。对于需要快速迭代、解释性强的场景这种方案比深度学习更合适。当然它也有局限。如果背景复杂、形状之间有重叠、或者边缘模糊轮廓检测的效果会大打折扣。所以这个方案更适合背景干净、形状边界清晰的场景比如白纸上的黑色图形、传送带上的独立零件、屏幕截图里的UI元素等。2.2 完整处理链路的设计考量整个处理链路我设计成五步灰度化、二值化、轮廓提取、多边形逼近、形状分类与标注。每一步都有它的作用和可调参数。灰度化是为了降低计算量彩色图有三个通道很多处理只需要亮度信息。二值化是把灰度图变成黑白图让轮廓检测有明确的边界。这里阈值的选择很关键后面会详细说。轮廓提取用findContours注意OpenCV 4.x和3.x的返回值不一样4.x只返回两个值。多边形逼近用approxPolyDP核心参数是逼近精度它决定了轮廓被简化到什么程度。最后根据逼近后的顶点数判断形状并在原图上画出来。这个链路里二值化和多边形逼近是两个最容易出问题的环节。二值化阈值选不好要么轮廓断裂要么背景噪点被当成轮廓。逼近精度选不好要么顶点数偏多把三角形识别成四边形要么顶点数偏少把五边形识别成四边形。我后面会给出具体的参数选择方法和调试技巧。2.3 方案选型的对比分析为了让你更清楚这个方案的定位我把它和另外两种常见方案做个对比。方案优点缺点适用场景轮廓检测多边形逼近无需训练数据、速度快、可解释性强对背景和边缘质量敏感背景干净、形状独立的场景深度学习分类鲁棒性强、可处理复杂背景需要大量标注数据、训练成本高数据充足、场景复杂的工业级应用模板匹配实现简单、对特定形状效果好无法处理旋转和缩放、泛化差形状固定、姿态固定的场景从表里能看出来轮廓检测方案的核心竞争力在于“轻量”和“可控”。你不需要准备几千张标注图不需要调网络结构写几十行代码就能跑起来。对于快速验证想法、做Demo、或者处理规则明确的场景这是性价比最高的选择。3. 核心细节解析与实操要点3.1 图像预处理灰度化与二值化的门道灰度化没什么好说的cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)一行搞定。真正需要花心思的是二值化。OpenCV里最常用的是cv2.threshold但它需要你手动指定阈值。对于光照均匀的图手动阈值够用对于光照不均的图建议用自适应阈值cv2.adaptiveThreshold。手动阈值的选法先用cv2.calcHist看灰度直方图找到双峰之间的谷底那个位置就是比较合适的阈值。如果直方图只有一个峰说明前景背景对比度不够可能需要先做直方图均衡化cv2.equalizeHist。自适应阈值的参数更多但效果更稳。cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)这行代码里11是邻域块大小必须是奇数2是常数C从均值里减去的值。块大小越大阈值越平滑适合大目标块大小越小对局部变化越敏感适合小目标。C值越大二值化后白色区域越少反之越多。注意二值化之后建议做一次形态学开运算cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)去掉小的噪点。kernel大小一般3x3或5x5太大可能把细小的形状也去掉。3.2 轮廓提取的关键参数与返回值处理cv2.findContours在OpenCV 4.x里的调用方式是contours, hierarchy cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)。第二个参数是轮廓检索模式RETR_EXTERNAL只找最外层轮廓适合形状独立不嵌套的场景RETR_LIST找所有轮廓但不建立层级关系RETR_TREE建立完整层级适合有嵌套的形状。第三个参数是轮廓近似方法CHAIN_APPROX_SIMPLE只保留端点能压缩数据量一般都用这个。拿到contours之后通常要先过滤掉太小的轮廓。cv2.contourArea(cnt)算面积面积小于某个阈值的直接跳过。这个阈值根据图像分辨率来定比如1000x1000的图面积小于500的轮廓基本是噪点。还可以用cv2.arcLength(cnt, True)算周长周长太小的也过滤掉。实操心得过滤轮廓时不要只用一个条件面积和周长结合着看。有些细长条形状面积不大但周长很长单看面积可能被误删。3.3 多边形逼近精度参数怎么选cv2.approxPolyDP(cnt, epsilon, True)是核心函数。epsilon是逼近精度表示原始轮廓和逼近多边形之间的最大距离。这个值越小逼近越精确顶点越多值越大逼近越粗糙顶点越少。True表示轮廓是闭合的。epsilon的选法通常是周长的百分比比如epsilon 0.02 * cv2.arcLength(cnt, True)。这个2%是个经验值对于大多数规则形状够用。如果发现三角形被识别成四边形说明epsilon太小顶点没被合并可以适当调大到3%或4%。如果五边形被识别成四边形说明epsilon太大顶点被过度合并可以调小到1%或1.5%。这里有个细节epsilon是绝对距离不是比例。所以对于不同大小的形状用周长百分比来算epsilon比固定值更合理。大形状的轮廓点间距大需要更大的epsilon小形状反之。3.4 形状分类的判定逻辑逼近之后len(approx)就是顶点数。3对应三角形4对应四边形5对应五边形更多顶点可以归为圆形或忽略。但这里有个坑矩形和正方形都是4个顶点如果你需要区分得进一步判断边长和角度。用cv2.boundingRect拿外接矩形算宽高比接近1的是正方形否则是矩形。角度可以用cv2.minAreaRect拿最小外接旋转矩形然后算四个角的角度。对于三角形还可以进一步分等边、等腰、直角但一般项目里不需要这么细。如果确实需要用cv2.contourArea和边长公式算一下就行。注意顶点数判断之前建议先判断轮廓面积和周长是否在合理范围内。有些噪点轮廓逼近后也可能得到3个顶点但面积很小这种要过滤掉。4. 完整实操过程与代码实现4.1 环境准备与依赖安装这个项目只需要Python和OpenCV。安装命令很简单pip install opencv-python numpy如果你需要显示图像窗口opencv-python就够了。如果是在服务器上跑无头模式用opencv-python-headless。numpy是OpenCV的依赖一般会自动装上但显式写出来更稳妥。Python版本建议3.7以上OpenCV版本4.x。3.x和4.x在findContours的返回值上有差异下面代码按4.x写。4.2 完整代码逐段解析先放完整代码然后逐段解释。import cv2 import numpy as np def detect_polygons(image_path): # 读取图像 img cv2.imread(image_path) if img is None: print(图像读取失败检查路径) return # 灰度化 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊减少噪点 blurred cv2.GaussianBlur(gray, (5, 5), 0) # 二值化使用Otsu自动阈值 _, binary cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 形态学开运算去噪 kernel np.ones((3, 3), np.uint8) binary cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # 轮廓提取 contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 遍历轮廓 for cnt in contours: area cv2.contourArea(cnt) if area 500: continue peri cv2.arcLength(cnt, True) epsilon 0.02 * peri approx cv2.approxPolyDP(cnt, epsilon, True) vertices len(approx) # 获取形状中心 M cv2.moments(cnt) if M[m00] 0: continue cx int(M[m10] / M[m00]) cy int(M[m01] / M[m00]) # 分类 if vertices 3: shape_name Triangle color (0, 255, 0) elif vertices 4: x, y, w, h cv2.boundingRect(approx) aspect_ratio w / float(h) if 0.95 aspect_ratio 1.05: shape_name Square else: shape_name Rectangle color (255, 0, 0) elif vertices 5: shape_name Pentagon color (0, 0, 255) else: shape_name fPolygon-{vertices} color (128, 128, 128) # 绘制 cv2.drawContours(img, [approx], -1, color, 2) cv2.putText(img, shape_name, (cx - 40, cy), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.circle(img, (cx, cy), 3, (0, 0, 0), -1) cv2.imshow(Result, img) cv2.waitKey(0) cv2.destroyAllWindows() if __name__ __main__: detect_polygons(shapes.jpg)这段代码里几个关键点值得展开说。高斯模糊的kernel大小是5x5这是经验和值的平衡。3x3去噪能力弱一些7x7可能把细小边缘也模糊掉。5x5适合大多数情况。sigma设为0表示由OpenCV根据kernel大小自动计算。二值化用了Otsu自动阈值cv2.THRESH_BINARY cv2.THRESH_OTSU。Otsu算法会自动找一个让类间方差最大的阈值适合双峰直方图的图。如果你的图光照不均Otsu可能效果不好换成自适应阈值。形态学开运算是先腐蚀后膨胀能去掉小的白色噪点同时保持大形状不变。kernel用3x3的ones矩阵这是最保守的选择。轮廓过滤只用了面积阈值500这个值需要根据你的图像分辨率调整。如果是2000x2000的图500可能太小噪点过滤不干净如果是500x500的图500可能太大小形状被误删。建议先打印所有轮廓的面积看看分布再定阈值。形状分类里四边形进一步区分了正方形和矩形判断条件是宽高比在0.95到1.05之间。这个范围可以根据实际精度要求调整。如果形状有旋转boundingRect拿的是水平外接矩形宽高比可能不准这时候应该用minAreaRect。4.3 参数调试的实际记录我第一次跑这段代码时用的是一张白底黑边的三角形、矩形、五边形混合图。结果三角形被识别成了四边形。打印epsilon和顶点数发现epsilon0.02*peri时三角形的三个角因为边缘不够尖锐逼近后多出了一个顶点。把epsilon调到0.03后三角形正确识别为3个顶点但五边形又被识别成了四边形。最后用了一个折中方案先按0.02逼近如果顶点数是4再判断是不是接近三角形——算一下四个顶点里有没有一个点到另外三点构成的三条边距离都很小如果有就合并。这个逻辑稍微复杂点但能同时保住三角形和五边形。后来发现更简单的办法先把图像放大两倍再做轮廓检测边缘的锯齿被平滑掉epsilon用0.02就能稳定识别。这个技巧在图像分辨率不高的时候特别有用。还有一个坑是轮廓的层级关系。如果图里有嵌套形状比如一个矩形里面有个三角形用RETR_EXTERNAL只会拿到外层的矩形三角形被忽略。这时候要用RETR_TREE或RETR_CCOMP然后根据层级关系判断哪些是内轮廓。内轮廓的逼近和分类逻辑和外轮廓一样只是绘制的时候要注意颜色区分。5. 常见问题与排查技巧实录5.1 轮廓检测常见异常与解决问题现象可能原因排查方法解决方案找不到任何轮廓二值化后全黑或全白显示binary图像调整阈值或改用自适应阈值轮廓断裂不闭合边缘有噪点或阈值不当放大看边缘区域高斯模糊形态学闭运算一个形状被拆成多个轮廓形状内部有孔洞或噪点打印轮廓数量用RETR_EXTERNAL或先填充孔洞背景噪点被当成轮廓面积阈值太小打印各轮廓面积提高面积阈值或加强去噪顶点数总是偏多epsilon太小打印epsilon和顶点数增大epsilon或先平滑轮廓这个表里的问题我基本都遇到过。最头疼的是“一个形状被拆成多个轮廓”后来发现是二值化后形状内部有小的黑色孔洞导致轮廓不连续。解决办法是在二值化后做一次闭运算cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)把孔洞填上。5.2 形状误判的调试思路形状误判主要有三种三角形判成四边形、四边形判成五边形、圆形判成多边形。前两种都是epsilon的问题第三种是圆形逼近后顶点数太多一般超过6个就可以归为圆形或忽略。调试的时候我习惯把approx的顶点坐标打印出来画在一张空白图上看看逼近后的多边形长什么样。如果顶点明显偏离原始轮廓说明epsilon太大如果顶点密集在角附近说明epsilon太小。这个可视化方法比盲调参数高效得多。还有一个经验对于规则形状可以先算最小外接矩形或最小外接圆用它们的面积和轮廓面积比来判断形状类型。比如轮廓面积和外接圆面积比接近1就是圆形和外接矩形面积比接近1就是矩形。这个方法可以作为顶点数判断的补充提高鲁棒性。5.3 性能优化与扩展建议如果处理视频流或者高分辨率图像性能是个问题。几个优化方向一是缩小图像尺寸再处理比如把1920x1080缩到960x540轮廓检测速度能快好几倍精度损失不大二是用cv2.CHAIN_APPROX_TC89_L1代替CHAIN_APPROX_SIMPLE进一步压缩轮廓点三是把形态学操作的kernel调小或者只在必要时做。扩展方面这个框架可以很容易地加上颜色识别。在轮廓内部取几个采样点算HSV均值就能判断形状的颜色。还可以加上形状的旋转角度、长宽比、凸包缺陷等特征做更细的分类。如果要做实时检测把cv2.imshow换成写入视频文件或者推流就能做成一个完整的检测系统。最后分享一个小技巧调试阶段把每一步的中间结果都保存成图片比如gray.jpg、binary.jpg、contours.jpg出问题的时候直接看哪一步不对比在代码里加print高效得多。这个习惯帮我省了很多时间。 
长河君 · 2026/10/19 3:01:46 · 阅读 1.2k OpenCV轮廓检测实战：多边形识别与形状分类
1. 从一个实际需求说起为什么要做多边形识别做过图像处理项目的人大概都有这样的经历拿到一张图里面有一堆几何形状客户或者导师要求你自动数出三角形有几个、矩形有几个、五边形有几个甚至还要标出每个形状的中心坐标和面积。这种需求在工业质检、教学演示、自动化分拣、文档扫描矫正等场景里非常常见。我最早接触这类需求是在一个模拟的零件分类项目里传送带上散落着不同形状的金属片需要实时判断每个零件的形状类别。当时试过直接上深度学习方案但标注数据太少训练效果不稳定后来退回到传统视觉方案用OpenCV做轮廓检测加多边形拟合反而跑得又快又稳。这就是“基于轮廓检测的多边形识别”这个项目的核心价值所在。它不依赖大量训练数据不需要GPU一台普通笔记本就能跑代码量也不大但能把形状分类这件事做得相当可靠。适合谁看如果你正在学OpenCV、做课程设计、搞简单的视觉分拣Demo或者想理解传统图像处理里“轮廓”这个概念到底怎么用这篇内容就是写给你的。我会从整体设计思路讲到具体代码实现再到实际调试中踩过的坑尽量把每个环节的“为什么”说清楚。2. 整体方案设计与核心思路拆解2.1 为什么选轮廓检测而不是其他方案多边形识别这个任务表面上看是分类问题但本质上可以拆成两步先把形状从背景里“抠”出来再判断它是什么形状。第一步就是轮廓检测要干的事。OpenCV提供了findContours这个函数它能在二值图像上把连通的边界找出来每个轮廓就是一组点坐标。拿到这些点之后第二步用approxPolyDP做多边形逼近把轮廓简化成少数几个顶点顶点数量直接对应形状类别——3个顶点是三角形4个是矩形或四边形5个是五边形以此类推。这个思路的优势在于逻辑透明。深度学习方案像个黑盒你给它图它给你标签中间发生了什么很难解释。而轮廓检测加多边形拟合每一步都有明确的数学含义参数调整也有方向感。比如轮廓找多了你知道是阈值分割的问题顶点数不对你知道是逼近精度的问题。对于需要快速迭代、解释性强的场景这种方案比深度学习更合适。当然它也有局限。如果背景复杂、形状之间有重叠、或者边缘模糊轮廓检测的效果会大打折扣。所以这个方案更适合背景干净、形状边界清晰的场景比如白纸上的黑色图形、传送带上的独立零件、屏幕截图里的UI元素等。2.2 完整处理链路的设计考量整个处理链路我设计成五步灰度化、二值化、轮廓提取、多边形逼近、形状分类与标注。每一步都有它的作用和可调参数。灰度化是为了降低计算量彩色图有三个通道很多处理只需要亮度信息。二值化是把灰度图变成黑白图让轮廓检测有明确的边界。这里阈值的选择很关键后面会详细说。轮廓提取用findContours注意OpenCV 4.x和3.x的返回值不一样4.x只返回两个值。多边形逼近用approxPolyDP核心参数是逼近精度它决定了轮廓被简化到什么程度。最后根据逼近后的顶点数判断形状并在原图上画出来。这个链路里二值化和多边形逼近是两个最容易出问题的环节。二值化阈值选不好要么轮廓断裂要么背景噪点被当成轮廓。逼近精度选不好要么顶点数偏多把三角形识别成四边形要么顶点数偏少把五边形识别成四边形。我后面会给出具体的参数选择方法和调试技巧。2.3 方案选型的对比分析为了让你更清楚这个方案的定位我把它和另外两种常见方案做个对比。方案优点缺点适用场景轮廓检测多边形逼近无需训练数据、速度快、可解释性强对背景和边缘质量敏感背景干净、形状独立的场景深度学习分类鲁棒性强、可处理复杂背景需要大量标注数据、训练成本高数据充足、场景复杂的工业级应用模板匹配实现简单、对特定形状效果好无法处理旋转和缩放、泛化差形状固定、姿态固定的场景从表里能看出来轮廓检测方案的核心竞争力在于“轻量”和“可控”。你不需要准备几千张标注图不需要调网络结构写几十行代码就能跑起来。对于快速验证想法、做Demo、或者处理规则明确的场景这是性价比最高的选择。3. 核心细节解析与实操要点3.1 图像预处理灰度化与二值化的门道灰度化没什么好说的cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)一行搞定。真正需要花心思的是二值化。OpenCV里最常用的是cv2.threshold但它需要你手动指定阈值。对于光照均匀的图手动阈值够用对于光照不均的图建议用自适应阈值cv2.adaptiveThreshold。手动阈值的选法先用cv2.calcHist看灰度直方图找到双峰之间的谷底那个位置就是比较合适的阈值。如果直方图只有一个峰说明前景背景对比度不够可能需要先做直方图均衡化cv2.equalizeHist。自适应阈值的参数更多但效果更稳。cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)这行代码里11是邻域块大小必须是奇数2是常数C从均值里减去的值。块大小越大阈值越平滑适合大目标块大小越小对局部变化越敏感适合小目标。C值越大二值化后白色区域越少反之越多。注意二值化之后建议做一次形态学开运算cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)去掉小的噪点。kernel大小一般3x3或5x5太大可能把细小的形状也去掉。3.2 轮廓提取的关键参数与返回值处理cv2.findContours在OpenCV 4.x里的调用方式是contours, hierarchy cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)。第二个参数是轮廓检索模式RETR_EXTERNAL只找最外层轮廓适合形状独立不嵌套的场景RETR_LIST找所有轮廓但不建立层级关系RETR_TREE建立完整层级适合有嵌套的形状。第三个参数是轮廓近似方法CHAIN_APPROX_SIMPLE只保留端点能压缩数据量一般都用这个。拿到contours之后通常要先过滤掉太小的轮廓。cv2.contourArea(cnt)算面积面积小于某个阈值的直接跳过。这个阈值根据图像分辨率来定比如1000x1000的图面积小于500的轮廓基本是噪点。还可以用cv2.arcLength(cnt, True)算周长周长太小的也过滤掉。实操心得过滤轮廓时不要只用一个条件面积和周长结合着看。有些细长条形状面积不大但周长很长单看面积可能被误删。3.3 多边形逼近精度参数怎么选cv2.approxPolyDP(cnt, epsilon, True)是核心函数。epsilon是逼近精度表示原始轮廓和逼近多边形之间的最大距离。这个值越小逼近越精确顶点越多值越大逼近越粗糙顶点越少。True表示轮廓是闭合的。epsilon的选法通常是周长的百分比比如epsilon 0.02 * cv2.arcLength(cnt, True)。这个2%是个经验值对于大多数规则形状够用。如果发现三角形被识别成四边形说明epsilon太小顶点没被合并可以适当调大到3%或4%。如果五边形被识别成四边形说明epsilon太大顶点被过度合并可以调小到1%或1.5%。这里有个细节epsilon是绝对距离不是比例。所以对于不同大小的形状用周长百分比来算epsilon比固定值更合理。大形状的轮廓点间距大需要更大的epsilon小形状反之。3.4 形状分类的判定逻辑逼近之后len(approx)就是顶点数。3对应三角形4对应四边形5对应五边形更多顶点可以归为圆形或忽略。但这里有个坑矩形和正方形都是4个顶点如果你需要区分得进一步判断边长和角度。用cv2.boundingRect拿外接矩形算宽高比接近1的是正方形否则是矩形。角度可以用cv2.minAreaRect拿最小外接旋转矩形然后算四个角的角度。对于三角形还可以进一步分等边、等腰、直角但一般项目里不需要这么细。如果确实需要用cv2.contourArea和边长公式算一下就行。注意顶点数判断之前建议先判断轮廓面积和周长是否在合理范围内。有些噪点轮廓逼近后也可能得到3个顶点但面积很小这种要过滤掉。4. 完整实操过程与代码实现4.1 环境准备与依赖安装这个项目只需要Python和OpenCV。安装命令很简单pip install opencv-python numpy如果你需要显示图像窗口opencv-python就够了。如果是在服务器上跑无头模式用opencv-python-headless。numpy是OpenCV的依赖一般会自动装上但显式写出来更稳妥。Python版本建议3.7以上OpenCV版本4.x。3.x和4.x在findContours的返回值上有差异下面代码按4.x写。4.2 完整代码逐段解析先放完整代码然后逐段解释。import cv2 import numpy as np def detect_polygons(image_path): # 读取图像 img cv2.imread(image_path) if img is None: print(图像读取失败检查路径) return # 灰度化 gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 高斯模糊减少噪点 blurred cv2.GaussianBlur(gray, (5, 5), 0) # 二值化使用Otsu自动阈值 _, binary cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU) # 形态学开运算去噪 kernel np.ones((3, 3), np.uint8) binary cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel) # 轮廓提取 contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 遍历轮廓 for cnt in contours: area cv2.contourArea(cnt) if area 500: continue peri cv2.arcLength(cnt, True) epsilon 0.02 * peri approx cv2.approxPolyDP(cnt, epsilon, True) vertices len(approx) # 获取形状中心 M cv2.moments(cnt) if M[m00] 0: continue cx int(M[m10] / M[m00]) cy int(M[m01] / M[m00]) # 分类 if vertices 3: shape_name Triangle color (0, 255, 0) elif vertices 4: x, y, w, h cv2.boundingRect(approx) aspect_ratio w / float(h) if 0.95 aspect_ratio 1.05: shape_name Square else: shape_name Rectangle color (255, 0, 0) elif vertices 5: shape_name Pentagon color (0, 0, 255) else: shape_name fPolygon-{vertices} color (128, 128, 128) # 绘制 cv2.drawContours(img, [approx], -1, color, 2) cv2.putText(img, shape_name, (cx - 40, cy), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.circle(img, (cx, cy), 3, (0, 0, 0), -1) cv2.imshow(Result, img) cv2.waitKey(0) cv2.destroyAllWindows() if __name__ __main__: detect_polygons(shapes.jpg)这段代码里几个关键点值得展开说。高斯模糊的kernel大小是5x5这是经验和值的平衡。3x3去噪能力弱一些7x7可能把细小边缘也模糊掉。5x5适合大多数情况。sigma设为0表示由OpenCV根据kernel大小自动计算。二值化用了Otsu自动阈值cv2.THRESH_BINARY cv2.THRESH_OTSU。Otsu算法会自动找一个让类间方差最大的阈值适合双峰直方图的图。如果你的图光照不均Otsu可能效果不好换成自适应阈值。形态学开运算是先腐蚀后膨胀能去掉小的白色噪点同时保持大形状不变。kernel用3x3的ones矩阵这是最保守的选择。轮廓过滤只用了面积阈值500这个值需要根据你的图像分辨率调整。如果是2000x2000的图500可能太小噪点过滤不干净如果是500x500的图500可能太大小形状被误删。建议先打印所有轮廓的面积看看分布再定阈值。形状分类里四边形进一步区分了正方形和矩形判断条件是宽高比在0.95到1.05之间。这个范围可以根据实际精度要求调整。如果形状有旋转boundingRect拿的是水平外接矩形宽高比可能不准这时候应该用minAreaRect。4.3 参数调试的实际记录我第一次跑这段代码时用的是一张白底黑边的三角形、矩形、五边形混合图。结果三角形被识别成了四边形。打印epsilon和顶点数发现epsilon0.02*peri时三角形的三个角因为边缘不够尖锐逼近后多出了一个顶点。把epsilon调到0.03后三角形正确识别为3个顶点但五边形又被识别成了四边形。最后用了一个折中方案先按0.02逼近如果顶点数是4再判断是不是接近三角形——算一下四个顶点里有没有一个点到另外三点构成的三条边距离都很小如果有就合并。这个逻辑稍微复杂点但能同时保住三角形和五边形。后来发现更简单的办法先把图像放大两倍再做轮廓检测边缘的锯齿被平滑掉epsilon用0.02就能稳定识别。这个技巧在图像分辨率不高的时候特别有用。还有一个坑是轮廓的层级关系。如果图里有嵌套形状比如一个矩形里面有个三角形用RETR_EXTERNAL只会拿到外层的矩形三角形被忽略。这时候要用RETR_TREE或RETR_CCOMP然后根据层级关系判断哪些是内轮廓。内轮廓的逼近和分类逻辑和外轮廓一样只是绘制的时候要注意颜色区分。5. 常见问题与排查技巧实录5.1 轮廓检测常见异常与解决问题现象可能原因排查方法解决方案找不到任何轮廓二值化后全黑或全白显示binary图像调整阈值或改用自适应阈值轮廓断裂不闭合边缘有噪点或阈值不当放大看边缘区域高斯模糊形态学闭运算一个形状被拆成多个轮廓形状内部有孔洞或噪点打印轮廓数量用RETR_EXTERNAL或先填充孔洞背景噪点被当成轮廓面积阈值太小打印各轮廓面积提高面积阈值或加强去噪顶点数总是偏多epsilon太小打印epsilon和顶点数增大epsilon或先平滑轮廓这个表里的问题我基本都遇到过。最头疼的是“一个形状被拆成多个轮廓”后来发现是二值化后形状内部有小的黑色孔洞导致轮廓不连续。解决办法是在二值化后做一次闭运算cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel)把孔洞填上。5.2 形状误判的调试思路形状误判主要有三种三角形判成四边形、四边形判成五边形、圆形判成多边形。前两种都是epsilon的问题第三种是圆形逼近后顶点数太多一般超过6个就可以归为圆形或忽略。调试的时候我习惯把approx的顶点坐标打印出来画在一张空白图上看看逼近后的多边形长什么样。如果顶点明显偏离原始轮廓说明epsilon太大如果顶点密集在角附近说明epsilon太小。这个可视化方法比盲调参数高效得多。还有一个经验对于规则形状可以先算最小外接矩形或最小外接圆用它们的面积和轮廓面积比来判断形状类型。比如轮廓面积和外接圆面积比接近1就是圆形和外接矩形面积比接近1就是矩形。这个方法可以作为顶点数判断的补充提高鲁棒性。5.3 性能优化与扩展建议如果处理视频流或者高分辨率图像性能是个问题。几个优化方向一是缩小图像尺寸再处理比如把1920x1080缩到960x540轮廓检测速度能快好几倍精度损失不大二是用cv2.CHAIN_APPROX_TC89_L1代替CHAIN_APPROX_SIMPLE进一步压缩轮廓点三是把形态学操作的kernel调小或者只在必要时做。扩展方面这个框架可以很容易地加上颜色识别。在轮廓内部取几个采样点算HSV均值就能判断形状的颜色。还可以加上形状的旋转角度、长宽比、凸包缺陷等特征做更细的分类。如果要做实时检测把cv2.imshow换成写入视频文件或者推流就能做成一个完整的检测系统。最后分享一个小技巧调试阶段把每一步的中间结果都保存成图片比如gray.jpg、binary.jpg、contours.jpg出问题的时候直接看哪一步不对比在代码里加print高效得多。这个习惯帮我省了很多时间。