只有橘子1. 从边缘检测到轮廓发现：搞清楚你拿到的到底是什么
学习OpenCV的过程中，很多人都会卡在轮廓这一块。原因其实很统一——cv::findContours这个函数太容易被误解了。你以为它跟Canny边缘检测是一回事？其实差得远。我在刚开始接触的时候也踩过一次坑，看到Canny输出的白色线条就直接丢给findContours，结果轮廓全是断的、乱的，根本没法用。
先做一个最根本的澄清：Canny边缘检测输出的是“像素级”的边缘强度图，属于一张二值图，而轮廓发现输出的是“拓扑级别”的点集合，本质是向量数据。边缘是“哪些像素可能是边界”，轮廓是“边界到底是哪一条闭合曲线”。
换句话说，轮廓是一个点序列，比如std::vector<std::vector<cv::Point>>，每一个内层vector代表一条完整的、首尾相连的边界点集。这个点集可以直接用于后续计算面积、周长、外接矩形、最小外接圆、多边形逼近——而这些才是真正能让“轮廓”产生实际价值的操作。
再往深处说一点：findContours内部其实不是自己检测边缘，而是接收一张已经做好二值化处理的图像。它把图像中所有“白色区域”视为前景，然后对这些前景区域跑一个基于拓扑分析的算法（经典的论文是Suzuki和Abe于1985年发表的“Topological structural analysis of digitized binary images by border following”）。这个算法建立在一片“虚拟像素”之上，通过不断扫描图像、跟踪边界的顺序来构建轮廓树。
所以这里的核心逻辑链条是：
text复制原图 → 灰度化 → 去噪 → 二值化 → findContours → drawContours
这一步，在设计整个轮廓提取流程时是没法绕开的。很多初学者在一张彩色图上直接调用findContours，结果要么编译报错，要么得到一堆没意义的结果——原因就在这。findContours要求输入是8位单通道图像，最推荐的就是二值图，这样算法才能明确区分“内部”和“外部”。
这个知识点我放在最前面讲，是因为后面所有的实操步骤都建立在这一层理解上。如果你只是照着别人的代码抄了一遍，不加思考地调用，那一旦遇到背景复杂、目标形状奇怪的图像，你会觉得是OpenCV出问题了，实际上是你没搞清楚算法输入的前提条件。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 预处理链路：灰度化、二值化、滤波的顺序为什么不能乱
从一张普通的彩色照片到一张合格的二值图，这个“预处理链路”决定了轮廓提取的成败。我这里按真实项目中最常用的顺序来说，每一步都给理由，不搞玄学。
2.1 灰度化：降维但不丢边界信息
打开一张图片后，第一步就是cv::cvtColor做灰度化。为什么要先灰度化？因为轮廓算法只关心亮度变化，色彩信息对边界判断没有贡献，反而会增加计算量。
一个人脸检测场景中，皮肤颜色的偏移会导致相同物体的边界在不同光照条件下发生漂移，所以先把RGB三通道压缩成单通道，让算法只面对一个维度的输入。
cpp复制cv::Mat src = cv::imread("test.png");
cv::Mat gray;
cv::cvtColor(src, gray, cv::COLOR_BGR2GRAY);
这里要提一个容易忽略的细节：cvtColor 的颜色空间转换方式非常多，一定要用对。
部分开发者习惯用COLOR_RGB2GRAY，但如果你读入的是BGR图像，转换时如果没有注意到通道顺序，出来的灰度图在亮度权重上会有细微偏差（虽然视觉效果上基本看不出差别），但严格来说应该用COLOR_BGR2GRAY。
2.2 滤波去噪：为什么不能省
拿到灰度图之后，很多人直接就开始二值化。如果图像比较干净，这样确实也行。但在真实场景中，摄像头采集的画面一定会有传感器噪声、光照不均匀等问题。这些噪声经过二值化之后，会形成很多细小的白色碎块或短线，对轮廓提取来说就是噩梦——你会发现提取出来几百上千条乱七八糟的小轮廓，根本没法用。
所以这个位置加一次滤波，不是可有可无的操作，而是决定轮廓质量的关键环节。
我自己常用的三种滤波及其使用场景：
| 滤波方式 | 核大小 | 适用场景 | 注意事项 |
|---|---|---|---|
高斯模糊 GaussianBlur |
(5, 5) | 去除高斯噪声，保留边缘主体 | 系数 sigma 建议手动指定，避免依赖内核尺寸自动推断 |
中值滤波 medianBlur |
5 | 椒盐噪声严重的图像 | 对轮廓边界的细节保留不如高斯，但抗脉冲干扰能力强 |
双边滤波 bilateralFilter |
9 | 希望保留强边缘的降噪场景 | 速度慢，大图不推荐，实时性差的场景慎用 |
实测下来，日常项目里最简单的高斯模糊配合(5,5)卷积核就已经能解决大部分噪声问题。核太大（比如(11, 11)）会导致轮廓边缘被过度磨平，原本锐利的拐角会被软化成圆角，直接影响后续多边形逼近的精度。
2.3 二值化到底用哪种
二值化的目标是让图像变成“黑底白图”或“白底黑图”。
一条经验法则：目标物体和背景对比度很高的时候，用全局阈值threshold就够了；对比度不均匀、存在阴影等光照干扰时，用自适应阈值；如果目标是文本、条形码这类内容，可以考虑Otsu大津法自动寻找最佳阈值。
全局阈值写法：
cpp复制cv::Mat binary;
cv::threshold(gray, binary, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU);
这里我把阈值设为0，配合THRESH_OTSU标志，让算法自己去算一个最优分割值。这在大部分简单场景下比手动设定阈值更可靠。手动设阈值时经常面临一个困境：阈值设高了，物体内部空洞增多，轮廓断裂；阈值设低了，背景被当成前景，轮廓严重粘连。Otsu就是帮你解决这个选择困难症的。
自适应阈值，适合光照不均的情况：
cpp复制cv::Mat adaptive;
cv::adaptiveThreshold(gray, adaptive, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C,