image = cv2.imread('image_path')

image_gray  = cv.cvtColor(image, cv.COLOR_BGR2GRAY)

# 这里将阈值设置为127为例,最大阈值为255
t, binary = cv.threshold(image_gray, 127, 255, cv.THRESH_BINARY)

# 这里以检测所有轮廓,不建立层次关系为例
contours, hierarchy = cv2.findContours(binary, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)

# 这里将轮廓索引设置为-1,绘制出所有轮廓,颜色设置为红色，宽度为2为例
cv2.drawContours(image, contours, -1, (0, 0, 255), 2)

cv2.imshow('image', image)

# -*- coding: utf-8 -*-
# @Time    : 2021/8/17
# @Author  : ZYh
"""
Introduction:
图像轮廓检测:
    OpenCV提供的findContours()方法可以通过计算图像梯度来判断出图像的边缘,然后将边缘的点封装成数组返回
    contours, hierarchy = cv2.findContours(image, mode, mothode)
    参数:
        image->被检测图像必须是8位单通道二值图像。如果原图是rgb图像,必须转为灰度图像,在进行二值化阈值处理
        mode->轮廓的检索模式
            参数值                     含义
            cv2.RETR_EXTERNAL       只检测外轮廓
            cv2.RETR_LIST           检测所有轮廓,但不建立层次关系
            cv2.RETR_CCOMP          检测所有轮廓,并建立两级层次关系
            cv2.RETR_TREE           检测所有轮廓,并建立树状结构的层次关系
        mothode->检测轮廓时使用的方法
            参数值                     含义
            cv2.CHAIN_NONE                储存轮廓上的所有点
            cv2.CHAIN_APPROX_SIMPLE       只保存水平、垂直或对角线轮廓的端点
            cv2.CHAIN_APPROX_TC89_L1      Ten_Chinl近似算法的一种
            cv2.CHAIN_APPROX_TC89_KCOS    Ten_Chinl近似算法的一种
    retval:
        contours->检测出的所有轮廓,list类型,每一个元素都是某个轮廓的像素坐标数组
        hierarchy->轮廓之间的层次关系
图像轮廓绘制:
    image = cv2.drawContours(image, contours, contourIdx, color, thickness, lineTypee, hierarchy,
        maxLevel, offse)
    参数:
        image->被绘制轮廓的原始图像,可以是多通道图像
        contours->findContours()方法得出的轮廓列表
        contourIdx->绘制轮廓的索引,如果为-1则绘制所有轮廓
        color:绘制颜色,BGR格式
        thickness->可选参数,画笔的粗细,如果为-1则绘制实心轮廓
        lineTypee->可选参数,绘制轮廓的线型
        hierarchy->可选参数,findContours()方法得出的层次关系
        maxLevel->可选参数,绘制轮廓的层次深度,最深绘制第maxLevel层
        offse->可选参数,偏移量,可以改变绘制结果的位置
"""
import cv2 as cv
# 读取加载图像
image1 = cv.imread('shape1.png')
image2 = cv.imread('shape1.png')
# 将图像由RGB格式转为灰度图像
gray1 = cv.cvtColor(image1, cv.COLOR_BGR2GRAY)
gray2 = cv.cvtColor(image2, cv.COLOR_BGR2GRAY)
# 将图像进行二值化阈值处理, 返回t是处理时采用的阈值,binary是阈值处理后的图像
t1, binary1 = cv.threshold(gray1, 127, 255, cv.THRESH_BINARY)
t2, binary2 = cv.threshold(gray2, 127, 255, cv.THRESH_BINARY)
# 检测图像中出现的所有轮廓,记录轮廓的每一个点
contours1, hierarchy1 = cv.findContours(binary1, cv.RETR_LIST, cv.CHAIN_APPROX_NONE)
# 显示原图
cv.imshow('image', image1)
# 绘制所有轮廓,宽度为3,颜色为红色
cv.drawContours(image1, contours1, -1, (0, 0, 255), 3)
cv.imshow('cv.RETR_LIST', image1)

# 检测图像中的外轮廓，记录轮廓的每一个点
contours2, hierarchy2 = cv.findContours(binary2, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_NONE)
# 使用cv2.RETR_EXTERNAL做参数绘制外轮廓,宽度为3,颜色为蓝色
cv.drawContours(image2, contours2, -1, (255, 0, 0), 3)
cv.imshow('cv.RETR_EXTERNAL', image2)

cv.waitKey()
cv.destroyAllWindows()

# -*- coding: utf-8 -*-
# @Time    : 2021/8/18
# @Author  : ZYh
"""
Introduction:
绘制花朵所有轮廓
"""
import  cv2 as cv

image_flower = cv.imread('flower.png')
# 显示原图
cv.imshow('flower1', image_flower)
# 对图像进行中值滤波处理，去除噪声
image_flower = cv.medianBlur(image_flower, 5)
cv.imshow('flower2', image_flower)
# 将图像从RGB转为单通道灰度图像
gray_flower = cv.cvtColor(image_flower, cv.COLOR_BGR2GRAY)
# 灰度图像进行二值化阈值处理
t, binary = cv.threshold(gray_flower, 127, 255, cv.THRESH_BINARY)
# 显示二值化图像
cv.imshow('binary', binary)
# 获取二值化图像中的轮廓以及轮廓层次
contours, hierarchy = cv.findContours(binary, cv.RETR_LIST, cv.CHAIN_APPROX_NONE)
# 在原图中绘制轮廓
cv.drawContours(image_flower, contours, -1, (0, 255, 255), 2)
# 显示绘制轮廓后的图像
cv.imshow('cv.RETR_LIST', image_flower)

cv.waitKey()
cv.destroyAllWindows()