输入必须是二值图#

1
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
2
_, mask = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)
3
contours, hierarchy = cv2.findContours(
4
    mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
5
)
6
print(len(contours))

RETR_EXTERNAL 只取外层轮廓，适合多数目标检测前处理；如果需要内部孔洞，再考虑其他模式。

按面积过滤#

1
boxes = []
2
for cnt in contours:
3
    area = cv2.contourArea(cnt)
4
    if area < 100:
5
        continue
6
    x, y, w, h = cv2.boundingRect(cnt)
7
    boxes.append((x, y, w, h, area))

面积阈值要根据图片分辨率调整，不能从一张图直接套到所有数据。

画出结果检查#

1
vis = img.copy()
2
for x, y, w, h, area in boxes:
3
    cv2.rectangle(vis, (x, y), (x + w, y + h), (0, 255, 0), 2)
4
cv2.imwrite("contours_check.jpg", vis)

常见问题#

• mask 黑白反了，导致背景成为最大轮廓。

• 噪声没有过滤，小碎点太多。

• 轮廓模式选错，内部边界也被算进来。

• 坐标和宽高后续转换成检测框时写反。

实战复盘#

复用《OpenCV 轮廓检测笔记》时，我会先用三到五张图片跑通流程，再扩大到完整数据集。小样本阶段要故意覆盖正常图、边界图和可能失败的图，而不是只选最干净的样本。

OpenCV 和 YOLO 相关步骤都要特别关注坐标和尺寸。图片数组常用高宽顺序，检测框常用 x/y 顺序，YOLO 又使用归一化中心点坐标，混用后不会总是报错，但结果一定会偏。

后续如果要写成更完整教程，可以补充输入目录结构、输出目录结构和一张可视化样例，让读者能直接对照自己的项目。

最小验收样例#

验收《OpenCV 轮廓检测笔记》时，我会固定三张图片：一张正常样例、一张边界样例、一张容易失败的样例。每次改代码都用这三张图跑一遍，并保存输出结果。

视觉流程的验收必须能用眼睛确认。只打印数组 shape 或命令成功不够，至少要保存一张中间结果图或最终可视化图，确认处理效果和预期一致。

小结#

轮廓检测要从二值图质量开始检查。mask 清楚、面积阈值合理，轮廓结果才有使用价值。