在计算机视觉的手势识别、物体抓取等任务中，准确地提取目标轮廓是至关重要的第一步。下面通过一段简短的 Python 代码，来拆解 OpenCV 中三个非常基础但强大的概念：
- 阈值处理 (Thresholding)
- 轮廓提取 (Contours)
- 凸包 (Convex Hull)
下面这段代码涵盖了图像形态学分析的一条完整流水线：读取 -> 二值化 (简化) -> 轮廓 (定位) -> 凸包 (特征抽象)。
import cv2
import numpy as np
import matplotlib.pyplot as plt
def process_hand_convex_hull(image_path):
# 1. Load the image in grayscale
# Using flag 0 for grayscale mode
gray_image = cv2.imread(image_path, 0)
# Check if image was loaded successfully
if gray_image is None:
print(f"Error: Could not load image from {image_path}. Please check the path.")
return
# 2. Preprocessing: Apply Binary Thresholding
# Pixels darker than 10 become 0, brighter become 255.
# Note: '10' is a very low threshold, assuming a dark background.
ret, binary_thresh = cv2.threshold(gray_image, 10, 255, cv2.THRESH_BINARY)
# 3. Find Contours
# RETR_TREE retrieves all contours and reconstructs a full hierarchy of nested contours.
# CHAIN_APPROX_SIMPLE compresses horizontal, vertical, and diagonal segments (saves memory).
contours, hierarchy = cv2.findContours(binary_thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 4. Calculate Convex Hulls for each contour found
hulls = [cv2.convexHull(c) for c in contours]
# 5. Visualization Preparation
# Convert grayscale to BGR (so we can draw colored lines), then to RGB (for Matplotlib)
display_image = cv2.cvtColor(gray_image, cv2.COLOR_GRAY2BGR)
# Draw contours (green) and convex hulls (red)
# -1 means draw all contours/hulls. Thickness is 5.
cv2.drawContours(display_image, contours, -1, (0, 255, 0), 5) # Green for original contours
cv2.drawContours(display_image, hulls, -1, (0, 0, 255), 5) # Red for convex hulls
# Convert BGR to RGB for correct display in Matplotlib
display_image_rgb = cv2.cvtColor(display_image, cv2.COLOR_BGR2RGB)
# 6. Plotting the results
plt.figure(figsize=(10, 5))
# Subplot 1: The Binary Threshold
plt.subplot(1, 2, 1)
plt.title("Binary Threshold")
plt.imshow(binary_thresh, cmap='gray')
plt.axis('off')
# Subplot 2: Contours and Convex Hull
plt.subplot(1, 2, 2)
plt.title("Contours (Green) & Convex Hull (Red)")
plt.imshow(display_image_rgb)
plt.axis('off')
plt.tight_layout()
plt.show()
if __name__ == "__main__":
process_hand_convex_hull('hand.avif')
（图片来源 ↗)
1. 阈值处理：非黑即白的二分法#
一切的开始都是为了简化数据。原始图片包含丰富的信息（0-255 的灰度级），但对于计算轮廓来说，我们往往只需要知道“哪里是物体，哪里是背景”。
cv2.threshold 就是这个分类器。
ret, threshold = cv2.threshold(hand, 10, 255, cv2.THRESH_BINARY)- 原理：设定一个阈值（这里是 10）。如果像素值大于 10，赋值为 255（白）；否则赋值为 0（黑）。
- 作用：将复杂的灰度图转化为干净的二值图像 (Binary Image)。这是后续寻找轮廓的基础。
注意：代码中的阈值
10设得非常低，这通常意味着原图是在非常暗的背景下拍摄的，或者是为了滤除极低强度的噪点。在复杂光照下，通常建议使用 Otsu’s Binarization 算法自动寻找最佳阈值。
2. 轮廓提取：寻找边界#
有了二值图像，下一步就是让计算机“画”出物体的边缘。
contours, hierarchy = cv2.findContours(threshold, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)- Contours (轮廓)：简单来说，轮廓就是连接所有连续点（沿着边界）的曲线，且这些点具有相同的颜色或强度。
- CHAIN_APPROX_SIMPLE：这是一个非常实用的参数。如果一条线是直的，OpenCV 没必要存储这条线上所有的像素点，它只需要存储两个端点。这极大地节省了内存。
3. 凸包 (Convex Hull)：橡皮筋的魔法#
这是本段代码的核心。找到轮廓后，往往需要分析物体的形状特征。对于手势识别来说，手指的凹凸非常复杂，而凸包提供了一种简化的描述方式。
hull = [cv2.convexHull(c) for c in contours]- 什么是凸包？ 想象在手周围钉满钉子（即轮廓上的点），然后拿一根橡皮筋套在所有钉子外面并绷紧。这根绷紧的橡皮筋围成的形状，就是凸包。
- 凸性缺陷 (Convexity Defects)：凸包（橡皮筋）与实际轮廓（手指）之间的空隙被称为凸性缺陷。在手势识别中，通过计算这些“空隙”的数量，就可以判断伸出了几根手指。
4. 视觉呈现#
绘制出红色的凸包和绿色的轮廓。
- 绿色线条：紧贴手指边缘的实际轮廓。
- 红色线条：包裹整个手部的多边形（凸包）。
通过对比两者，可以清晰地看到算法是如何忽略手指间的凹陷，从而获得手部整体的几何外形的。