函数原型
findContours(InputOutputArray image, OutputArrayOfArrays contours,
OutputArray hierarchy, int mode, int method, Point offset = Point());
参数1：单通道图像矩阵，可以是灰度图，但更常用的是二值图像，一般是经过Canny、拉普拉斯等边缘检测算子处理过的二值图像；
参数2：contours定义为“vector<vector<Point>> contours”，是一个双重向量（向量内每个元素保存了一组由连续的Point构成的点的集合的向量），每一组点集就是一个轮廓，有多少轮廓，contours就有多少元素；
参数3：hierarchy定义为“vector<Vec4i> hierarchy”，Vec4i的定义：typedef Vec<int, 4> Vec4i;（向量内每个元素都包含了4个int型变量），所以从定义上看，hierarchy是一个向量，向量内每个元素都是一个包含4个int型的数组。向量hierarchy内的元素和轮廓向量contours内的元素是一一对应的，向量的容量相同。hierarchy内每个元素的4个int型变量是hierarchy[i][0] ~ hierarchy[i][3]，分别表示当前轮廓 i 的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓的编号索引。如果当前轮廓没有对应的后一个轮廓、前一个轮廓、父轮廓和内嵌轮廓，则相应的hierarchy[i][*]被置为-1。
参数4：定义轮廓的检索模式，取值如下：
CV_RETR_EXTERNAL：只检测最外围轮廓，包含在外围轮廓内的内围轮廓被忽略；
CV_RETR_LIST：检测所有的轮廓，包括内围、外围轮廓，但是检测到的轮廓不建立等级关系，彼此之间独立，没有等级关系，这就意味着这个检索模式下不存在父轮廓或内嵌轮廓，所以hierarchy向量内所有元素的第3、第4个分量都会被置为-1，具体下文会讲到；
CV_RETR_CCOMP: 检测所有的轮廓，但所有轮廓只建立两个等级关系，外围为顶层，若外围内的内围轮廓还包含了其他的轮廓信息，则内围内的所有轮廓均归属于顶层；
CV_RETR_TREE: 检测所有轮廓，所有轮廓建立一个等级树结构。外层轮廓包含内层轮廓，内层轮廓还可以继续包含内嵌轮廓。
参数5：定义轮廓的近似方法，取值如下：
CV_CHAIN_APPROX_NONE：保存物体边界上所有连续的轮廓点到contours向量内；
CV_CHAIN_APPROX_SIMPLE：仅保存轮廓的拐点信息，把所有轮廓拐点处的点保存入contours向量内，拐点与拐点之间直线段上的信息点不予保留；
CV_CHAIN_APPROX_TC89_L1：使用teh-Chinl chain 近似算法;
CV_CHAIN_APPROX_TC89_KCOS：使用teh-Chinl chain 近似算法。
参数6：Point偏移量，所有的轮廓信息相对于原始图像对应点的偏移量，相当于在每一个检测出的轮廓点上加上该偏移量，并且Point还可以是负值！
下边用效果图对比一下findContours函数中参数4和参数5取不同值时，向量contours和hierarchy的内容如何变化，有何异同。
一、mode取值“CV_RETR_EXTRERNAL”，method取值“CV_CHAIN_APPROX_NONE”，即只检测最外层轮廓，并且保存轮廓上所有点：
只有最外层轮廓，内层轮廓被忽略
Contours向量内所有点集：保存了所有轮廓上的所有点，图像表现跟轮廓一致
hierarchy向量
本次参数配置下，hierarchy向量内有3个元素，分别对应于3个轮廓。以第2个轮廓（对应向量内第1个元素）为例，内容为[2,0,-1,-1]， “2”表示当前轮廓的后一个轮廓的编号为2，“0”表示当前轮廓的前一个轮廓编号为0，其后2个“-1”表示为空，因为只有最外层轮廓这一个等级，所以不存在父轮廓和内嵌轮廓。
二、mode取值“CV_RETR_LIST”，method取值“CV_CHAIN_APPROX_SIMPLE”，即检测所有轮廓，但各轮廓彼此独立，不建立等级关系，并且只保存轮廓上的拐点信息：
内外层轮廓都被检测到
Contours向量内所有点集：拐点信息得到保留，但拐点与拐点之间的直线段的部分省略
hierarchy向量
本次参数配置下，检测出了较多轮廓。由于本次配置mode取值“RETR_LIST”，各轮廓间各自独立，不建立等级关系，所以第3、第4个整形参数值为-1。
三、mode取值“CV_RETR_TREE”，method取值“CV_CHAIN_APPROX_NONE”，即检测所有轮廓，各轮廓彼之间建立内外层的等级关系，并且只保存轮廓上所有点：
内外层轮廓都被检测到
Contours向量内所有点集：保存所有轮廓点
hierarchy向量
本次参数配置要求检测所有轮廓，并且每个轮廓都建立等级关系，所以多个轮廓具有不为-1的第3、第4个整形参数，分别指向当前轮廓的父轮廓、内嵌轮廓索引编号。
四、Point() 偏移量设置
设置偏移量Point（45,15）
轮廓图像整体向右下角有一个偏转，偏转量就是设置的（45,15）。这个偏移量的设置不能过大或过小（负方向上的过小），若图像上任一点加上该偏移量后超出图像边界，程序会内存溢出报错。
另外，值得关注一下的是绘制轮廓的函数drawContours()中最后一个参数是一个Point类型的offset，这个offset跟findContours()函数中的Point()含义一致，设置之后所绘制的轮廓是原始轮廓上所有像素点加上该偏移量后的效果。当所分析图像是另外一个图像的ROI的时候，这个偏移量就可以大显身手了。通过加减这个偏移量，就可以把ROI图像的检测结果投影到原始图像对应位置上。
示例程序如下：
#include <iostream> #include <opencv2corecore.hpp> #include <opencv2highguihighgui.hpp> #include <opencv2imgprocimgproc.hpp> using namespace std; using namespace cv; int main(int argc, char* argv[]) { Mat imageSource = imread("findContours.jpg", 0); imshow("原始图像", imageSource); Mat image; GaussianBlur(imageSource, image, Size(3, 3), 0); Canny(imageSource, image, 100, 250); vector<vector<Point>> contours; vector<Vec4i> hierarchy; findContours(image, contours, hierarchy, CV_RETR_TREE, CV_CHAIN_APPROX_NONE, Point()); Mat imageContours = Mat::zeros(image.size(), CV_8UC1); Mat Contours = Mat::zeros(image.size(), CV_8UC1); //绘制 for (int i = 0; i < contours.size(); i++) { //contours[i]代表的是第i个轮廓，contours[i].size()代表的是第i个轮廓上所有的像素点数 for (int j = 0; j < contours[i].size(); j++) { //绘制出contours向量所有的像素点 Point P = Point(contours[i][j].x, contours[i][j].y); Contours.at<uchar>(P) = 255; } //输出hierarchy向量内容 char ch[256]; sprintf(ch, "%d", i); string str = ch; cout << "向量hierarchy的第" << str << "个元素内容为：" << hierarchy[i] << endl << endl; //绘制轮廓 drawContours(imageContours, contours, i, Scalar(255), 1, 8, hierarchy); } imshow("Contours Image CV_TRET_TREE", imageContours); //轮廓 imshow("Point of Contours CV_CHAIN_APPROX_NONE", Contours); //向量contours内保存的所有轮廓点集 waitKey(0); return 0; }
参考文章：https://blog.csdn.net/dcrmg/article/details/51987348