Python图像处理之目标物体轮廓提取的实现方法

Hazel

发布时间：2026-10-14 | 2人浏览过

原创

本文详解利用Python进行图像轮廓提取的方法。通过彩色转灰度、二值化处理，结合8邻域算法判断像素点是否位于物体内部或边缘，最终实现轮廓提取。文章提供完整Python代码示例及处理效果对比，适用于计算机视觉基础学习与算法实践。

1 引言

目标物体的边缘信息在图像识别与计算机视觉分析中具有重要价值。边缘能够清晰勾勒物体形态，便于直观观察；同时，边缘蕴含方向、形状等关键内在特征，是提取图像特征的核心要素。轮廓提取作为边界分割的关键环节，属于图像处理中的经典难题，其目标与轮廓跟踪一致，即获取图像的外部轮廓特征。

2 原理

二值图像轮廓提取的核心逻辑在于“掏空内部点”：若原图中某像素点为黑色，且其周围8个邻域像素均为黑色，则该点被判定为内部点并予以删除。对于非二值图像，需先执行二值化预处理。尽管轮廓提取算法众多，本文介绍一种基础且易于实现的算法，具体原理如下：

在轮廓提取过程中，使用一维数组记录待处理像素点的8邻域信息。
若8个邻域像素的灰度值与中心点灰度值一致，则判定该点位于物体内部，可执行删除操作；
否则，判定该点位于图像边缘，需予以保留。
遍历图像中所有像素点后，最终保留的点集即为图像轮廓。

3 Python实现

1）读入彩色图像


img_name = "./20210808/sample3.png"
img = cv2.imread(img_name)

处理结果如下：

2) 彩色图像灰度化


gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

处理结果如下：

3）二值化


def get_binary_img(img):
    # gray img to bin image
    bin_img = np.zeros(shape=(img.shape), dtype=np.uint8)
    h = img.shape[0]
    w = img.shape[1]
    for i in range(h):
        for j in range(w):
            bin_img[i][j] = 255 if img[i][j] > 127 else 0
    return bin_img
# 调用
bin_img = get_binary_img(gray_img)

处理结果如下：

4）提取轮廓

基于上述原理进行代码实现，具体代码如下：


def get_contour(bin_img):
    # get contour
    contour_img = np.zeros(shape=(bin_img.shape),dtype=np.uint8)
    contour_img += 255
    h = bin_img.shape[0]
    w = bin_img.shape[1]
    for i in range(1,h-1):
        for j in range(1,w-1):
            if(bin_img[i][j]==0):
                contour_img[i][j] = 0
                sum = 0
                sum += bin_img[i - 1][j + 1]
                sum += bin_img[i][j + 1]
                sum += bin_img[i + 1][j + 1]
                sum += bin_img[i - 1][j]
                sum += bin_img[i + 1][j]
                sum += bin_img[i - 1][j - 1]
                sum += bin_img[i][j - 1]
                sum += bin_img[i + 1][j - 1]
                if sum ==  0:
                    contour_img[i][j] = 255

    return contour_img
# 调用    
contour_img = get_contour(bin_img)

处理结果如下：