### 轮廓逼近在指定区域的应用 为了实现 OpenCV 中对图像特定区域的轮廓逼近，可以通过以下方法完成： #### 图像预处理 首先需要加载目标图像并将其转换为灰度图以便后续操作。如果仅关注图像中的某个特定区域，则需通过掩码 (mask) 来限定该区域。 ```python import cv2 import numpy as np # 加载原始图像 image = cv2.imread('example.jpg') gray_image = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 创建一个空白掩码用于定义感兴趣区域(ROI) mask = np.zeros(gray_image.shape, dtype=np.uint8) # 定义 ROI 的坐标范围（矩形） roi_coordinates = [(50, 50), (200, 200)] # 左上角和右下角坐标 cv2.rectangle(mask, roi_coordinates[0], roi_coordinates[1], 255, -1) # 应用掩码到灰度图像 masked_gray_image = cv2.bitwise_and(gray_image, gray_image, mask=mask) ``` 上述代码创建了一个矩形作为兴趣区域，并应用此区域于原灰度图像之上[^1]。 #### 边缘检测与查找轮廓 接着利用 Canny 边缘检测器获取边缘信息，再基于这些边缘寻找轮廓。 ```python edges = cv2.Canny(masked_gray_image, threshold1=30, threshold2=100) contours, hierarchy = cv2.findContours(edges, mode=cv2.RETR_TREE, method=cv2.CHAIN_APPROX_SIMPLE) ``` 这里 `cv2.RETR_TREE` 参数指定了检索模式，而 `cv2.CHAIN_APPROX_SIMPLE` 则表示采用简单链式近似法压缩水平、垂直以及斜向段上的冗余点。 #### 进行轮廓逼近 找到所有轮廓之后，可以选择其中任意一条进行进一步简化处理即所谓的“轮廓逼近”。 ```python epsilon_factor = 0.01 # 控制精度的比例因子 for cnt in contours: epsilon = epsilon_factor * cv2.arcLength(cnt, True) approximated_contour = cv2.approxPolyDP(cnt, epsilon, closed=True) # 绘制结果 cv2.drawContours(image, [approximated_contour], contourIdx=-1, color=(0, 255, 0), thickness=2) ``` 以上代码片段展示了如何遍历每一个轮廓对象并通过调整比例因子来改变最终输出形状的复杂程度。 最后展示修改后的图片即可看到效果。 ```python cv2.imshow('Approximated Contours', image) cv2.waitKey(0) cv2.destroyAllWindows() ```