cnts,hierarchy= cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, ValueError: not enough values to unpack (expected 2, got 1)解决此问题

当你遇到`cv2.findContours()`函数返回错误"not enough values to unpack (expected 2, got 1)"，这通常是因为函数期望返回两个值（轮廓列表和层次结构），但实际上它只返回了一个。这个错误发生在OpenCV版本4.x之后，`findContours()`的默认行为发生了变化，不再直接返回层次信息。

为了解决这个问题，你需要明确指定你想要获取的结果。你可以通过设置`cv2 RETR_TREE`标志来获取层次结构，同时使用`cv2.CHAIN_APPROX_SIMPLE`来压缩轮廓表示。这里是修改后的代码示例：

import cv2

# 其他步骤...
thresh = ... # 二值化图像
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

在这个例子中，`RETR_TREE`会返回一个嵌套的轮廓树，`CHAIN_APPROX_SIMPLE`会让OpenCV使用更紧凑的方式存储轮廓数据。现在你应该能得到预期的两个值了。

相关问题

cv2.findContours(mark, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

`cv2.findContours()` 函数是OpenCV库中的一个用于查找轮廓的方法，它在图像处理中非常有用。这个函数接收两个参数：输入图像（这里是`edged.copy()`）和一些标志来定义搜索方式。

`cv2.RETR_EXTERNAL`标志表示只寻找外部轮廓，即最外层的对象边缘。这意味着函数不会跟踪内部孔洞或物体的一部分，仅返回与背景分离的完整形状。

`cv2.CHAIN_APPROX_SIMPLE`标志则控制结果轮廓的存储方式。`CHAIN_APPROX_SIMPLE`会压缩垂直和水平连续像素点，只保留终点坐标，这对于简化轮廓并节省内存空间很有帮助。

示例演示：

# 假设`edged`是经过边缘检测处理后的二值图像
cnts = cv2.findContours(edged.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

if cnts and len(cnts[0]) > 0:  # 如果找到轮廓
    for contour in cnts[0]:
        x, y, w, h = cv2.boundingRect(contour)
        print(f"Contour at ({x}, {y}) with dimensions ({w}, {h})")
else:
    print("No contours found.")

这段代码会打印每个外部轮廓的位置及其边界框尺寸。

cnts = cv2.findContours(edged.copy(), cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)[0] cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:5]

这段代码使用OpenCV的cv2.findContours函数从边缘图像中查找轮廓。

首先，edged.copy()创建了 edged 的副本，以确保原始图像不会被修改。

然后，cv2.findContours函数被调用，它接受三个参数：
- 第一个参数是边缘图像
- 第二个参数是轮廓检索模式，这里使用cv2.RETR_LIST表示检索所有的轮廓
- 第三个参数是轮廓近似方法，这里使用cv2.CHAIN_APPROX_SIMPLE表示使用简单的近似方法来存储轮廓的点

cv2.findContours函数的返回值是一个包含所有轮廓的列表，其中每个轮廓都是一个NumPy数组。

接下来，使用sorted函数对轮廓进行排序。排序的依据是每个轮廓的面积，通过调用cv2.contourArea函数来计算。参数reverse=True表示按照面积从大到小进行排序。

最后，通过切片操作[:5]取出前5个面积最大的轮廓，并将结果保存在cnts变量中。