Opencv 学习笔记：提取轮廓中心点坐标（矩计算法）

在轮廓分析中，获取轮廓的中心点（质心）是目标定位、尺寸测量的核心步骤。本文通过 OpenCV 的图像矩（cv.moments()）实现轮廓中心点的精准计算与可视化，新手可直接复用完整流程。

核心代码实现

import cv2 as cv import numpy as np # 1. 读取图像并校验 src = cv.imread('./image/21.bmp') if src is None: print('图像读取失败，请检查路径！') exit() # 2. 预处理：高斯滤波去噪 + 二值化 dst = cv.GaussianBlur(src, (3, 3), 15) # 高斯滤波去除噪点，避免伪轮廓干扰 grays = cv.cvtColor(dst, cv.COLOR_BGR2GRAY) # 转灰度图 # 二值化（分离前景轮廓与背景，阈值200可根据图像调整） ret, binary = cv.threshold(grays, 200, 255, cv.THRESH_BINARY) # 3. 查找轮廓（CCOMP模式：检索内外层轮廓，适配有孔洞的目标） contours, hierarchy = cv.findContours(binary, cv.RETR_CCOMP, cv.CHAIN_APPROX_SIMPLE) # 4. 遍历轮廓，计算并绘制每个轮廓的中心点 for i, contour in enumerate(contours): # 绘制轮廓（蓝色，线宽5，便于直观查看轮廓范围） cv.drawContours(src, contours, i, (255, 0, 0), 5) # 计算轮廓的图像矩（核心：通过矩获取中心点） M = cv.moments(contour) # 修正原代码：使用当前轮廓contour，而非固定contours[1] # 避免除零错误（过滤无效小轮廓，m00为零表示轮廓无有效像素） if M["m00"] != 0: # 计算中心点坐标（x = m10/m00，y = m01/m00） center_x = int(M["m10"] / M["m00"]) center_y = int(M["m01"] / M["m00"]) # 绘制中心点（绿色圆形，半径10，线宽2，醒目易见） cv.circle(src, (center_x, center_y), 10, (0, 255, 0), 2) # 打印中心点坐标，便于数据分析 print(f"轮廓{i} 中心点坐标：x={center_x}, y={center_y}") else: print(f"轮廓{i} 为无效轮廓，跳过中心点计算") # 5. 显示结果图像 cv.namedWindow('src', cv.WINDOW_NORMAL) cv.resizeWindow('src', 600, 600) cv.imshow('src', src) cv.waitKeyEx(0) cv.destroyAllWindows()

关键知识点解析

1. 核心流程拆解

2. 核心概念说明

• 图像矩（Moments）：描述图像轮廓几何特征的数值集合，OpenCV 中cv.moments()返回的矩包含多个关键字段，核心用于中心点计算的仅有 3 个：
  • M["m00"]：零阶矩，对应轮廓的面积（非零表示轮廓有效）；
  • M["m10"]：一阶矩，用于计算中心点 x 坐标；
  • M["m01"]：一阶矩，用于计算中心点 y 坐标。
• 轮廓索引：原代码固定使用contours[1]，仅能计算第 2 个轮廓的中心点，改为contour遍历每个轮廓，适配多轮廓场景。

3. 避坑与优化技巧

• 除零错误：必须添加M["m00"] != 0的判断，否则小噪点轮廓会导致ZeroDivisionError；
• 阈值调整：二值化阈值 200 需根据图像亮度调整，暗轮廓可降低阈值（如 150），亮背景可提高阈值（如 220）；
• 多轮廓适配：遍历enumerate(contours)而非固定索引，支持图像中多个目标轮廓的中心点批量计算；
• 精度优化：若需更高精度的中心点，可保留浮点数（去除int()转换），适用于精密测量场景。

总结

1. 轮廓中心点计算的核心是图像矩（cv.moments()），通过m10/m00和m01/m00求解 x、y 坐标；
2. 必须添加M["m00"] != 0的判断，避免除零错误，提升代码健壮性；
3. 遍历所有轮廓而非固定索引，才能实现多目标轮廓的中心点批量提取与可视化。