做视觉测量的人应该都有这个经历：二值化、找轮廓之后，第一步是想把目标框出来。我用boundingRect()用了一年多，直到有一个工件斜着放，才发现矩形框把大片背景算进去了，测量尺寸偏得离谱。换minAreaRect()之后长度对了，但遇到圆形端盖又发现旋转矩形表达不了圆度。后来补上fitEllipse()，才把三类目标都吃透。

这篇文章就从Rect、RotatedRect这两个容器类讲起，把boundingRect()、minAreaRect()、fitEllipse()三个函数的原理、返回结构、绘制方式、典型坑一次说清楚。适合正在学 OpenCV 轮廓处理、写零件测量或目标定位 Demo 的读者，也适合被角度问题绕晕的同学参考。

1. Rect类：先搞懂那个最基本的(x, y, w, h)

1.1 四个字段和面积计算

Rect本质上是 OpenCV 里表示矩形的一个简单容器，直接存四个值。C++ 里叫cv::Rect，Python 接口里通常以(x, y, width, height)四元组的形式返回。很多初学者以为Rect是一个带有中心点的结构，其实x、y是矩形左上角的坐标，不是中心。宽和高用像素表示，必然是正数，面积就是w * h。

rect = (10, 20, 100, 50) x, y, w, h = rect area = w * h print(x, y, area) # 10 20 5000

这里有一个习惯很重要：如果把矩形当成中心点表示的包围盒，在做偏移、缩放时容易错位。我一般会封装两个转换函数，一个把(x, y, w, h)转成中心形式，一个转回来。偏移时对x、y做加减，缩放时把w、h乘系数。这些逻辑用Rect的字段做就足够，不需要再引入别的类型。

还要注意空矩形的判断。如果某个轮廓检测失败，可能出现w或h小于等于 0 的情况，这时候area会变成负数或者 0，直接拿去做排序、过滤会出现莫名其妙的结果。防御性写法是先判断w > 0 and h > 0，再继续后续逻辑。这个细节在批量处理多张图像时尤其重要，因为一张坏图就能拖垮整条流程。

1.2 交集、并集与包含判断

Rect在 C++ 中提供了operator &、operator |、contains这些方法。在 Python 中没这么方便，需要自己实现，但几何原理是一样的。两个矩形相交，其实就是在水平方向和垂直方向分别取重叠区间；如果重叠区间宽度或高度小于等于 0，说明没有交集。

def rect_intersect(r1, r2): x1, y1, w1, h1 = r1 x2, y2, w2, h2 = r2 left = max(x1, x2) top = max(y1, y2) right = min(x1 + w1, x2 + w2) bottom = min(y1 + h1, y2 + h2) if right <= left or bottom <= top: return None return (left, top, right - left, bottom - top)

实际项目里“两个检测框是否重叠”就是用它。比如目标跟踪时判断前后帧的候选框是否命中，或者做非极大值抑制之前计算 IoU，都需要先求交集矩形。另一个常见操作是矩形合并：手写一个rect_union，把两个框的最小外接轴对齐矩形求出来，一般用于把拆分过近的小框合成一个大区域。

这里要特别提醒：Rect只能表示轴对齐的矩形，不能和RotatedRect直接做交集运算。如果场景里存在旋转目标，先把RotatedRect转成四个顶点，再用多边形交并来判断。直接用boundingRect()把它转成轴对齐矩形再做交集，会引入大量背景区域，IoU 计算就会失真。

1.3 Python 里没有 Rect 类怎么办

Python 的cv2绑定不直接暴露cv::Rect类，而用元组。所以不能写rect.area()或rect.contains(pt)，否则会报AttributeError。这一点和 C++ 差别很大，从 C++ 转 Python 或者从 Python 转 C++ 的同学经常在这里卡住。

我建议在项目里统一写一个RectUtils模块，把这些基础操作集中在一起。虽然代码量不大，但能让后续测量、绘制、日志输出都保持一致，减少低级错误。

2. RotatedRect类：角度为什么总是“看着不对”

2.1 三个核心字段

RotatedRect表示一个带旋转角度的矩形，和Rect最大的区别是它不再是轴对齐的。C++ 里叫cv::RotatedRect，Python 里大多时候表现为一个三元组Box2D：((cx, cy), (w, h), angle)。其中center是中心坐标，size是矩形的宽和高，angle是旋转角。

rr = ((100, 100), (200, 80), 30.0) # 中心、宽高、角度

因为多了角度，RotatedRect无法用简单的x、y字段描述。很多同学拿到minAreaRect()的返回值后，想当然地把它当成普通矩形去取左上角，结果画出来的框位置全偏了。正确做法是通过cv2.boxPoints()获取四个顶点，再基于顶点做后续计算。

2.2 angle 角度的约定

这是最容易翻车的地方。minAreaRect()返回的angle范围是[-90°, 0°)，表示矩形宽边（width）与图像水平 X 轴的夹角。注意，OpenCV 的图像坐标系 Y 轴向下，所以负角度在视觉上是顺时针倾斜。一个水平矩形angle = 0；向右下倾斜 30° 的矩形，angle = -30。

当矩形接近竖直时，宽和高会互换，angle又会回到-89左右，而不是把角度显示为60。这就是很多人发现“用minAreaRect画出来的框会突然跳变”的根本原因。根本原因在于 OpenCV 定义角度时固定以width边为基准，当目标的“宽”和“高”在某种姿态下互换，角度自然就跳了 90 度。

rrect = cv2.minAreaRect(contour) (cx, cy), (w, h), angle = rrect if w < h: w, h = h, w angle += 90 # 把角度调整到长边方向

这段代码的意思是：如果返回的height比width大，说明宽高已经互换，就把角度加 90 度修正到长边方向。实际测量中，我几乎总是先统一长边和短边，再记录角度，否则后续做旋转矫正时方向很容易反。

2.3 四个顶点怎么取、怎么画

Python 中要拿到旋转矩形的四个角点，用cv2.boxPoints()。注意，boxPoints返回的是 float32 的 4×2 数组，画图前通常要转成整数。绘制时要用polylines，并且闭合。

box = cv2.boxPoints(rrect) box = np.int32(box) cv2.polylines(img, [box], isClosed=True, color=(0, 255, 0), thickness=2)

这个坑我踩过：直接用cv2.rectangle(img, rrect, ...)是画不出旋转效果的，它只会画一个轴对齐框。另外，boxPoints的顶点顺序是固定闭环的，但“哪个点排在第一个”不一定是左上角。做透视矫正的时候，如果按固定索引取顶点，可能拿到不同顺序的四个角，建议先按 x 坐标排序再按 y 坐标排序，或者用凸包顺序统一。

3. boundingRect、minAreaRect、fitEllipse：三种“外接形状”怎么选

3.1 boundingRect：快但轴对齐

cv2.boundingRect(contour)的输入是点集，输出是(x, y, w, h)。它找到的是包含所有点的最小轴对齐矩形，无论目标怎么旋转，矩形四条边永远平行于图像坐标轴。这个函数最大的优点是快，计算量小，代码简单。

适用场景很明确：OCR 文本行检测、运动目标粗略定位、深度学习检测框的候选筛选。这些场景里目标本身大多是水平的，不需要倾斜框。如果目标斜放，boundingRect的面积会明显大于目标实际面积，测量结果自然不准。我通常只在“框出来看看大概位置”的时候用它，一旦涉及到尺寸测量，立刻换minAreaRect。

还有一个不太起眼但很实用的重载：boundingRect可以直接接收一个RotatedRect，返回它的轴对齐外接矩形。这个特性偶尔用于把旋转框转成普通框，比如和深度学习模型输出的轴对齐框做匹配。代价是如果目标倾斜较大，外接矩形会含很多背景。

3.2 minAreaRect：最小外接旋转矩形

cv2.minAreaRect(points)返回RotatedRect。内部思想是：先求点集的凸包，然后在凸包上寻找使面积最小的外接矩形，相当于“旋转卡壳”的应用。它找到的矩形可以任意旋转，所以能紧紧包住斜放的长条形目标。

这个方法最适合斜工件测量、车牌矫正、车辆方向估计等场景。执行速度比boundingRect慢一些，但对于一般轮廓点数来说几乎可以忽略。真正的坑在于角度跳变和宽高互换，上一章已经详细说过。

rrect = cv2.minAreaRect(cnt) (cx, cy), (w, h), angle = rrect if w < h: w, h = h, w angle += 90

这里要继续补充一个点：minAreaRect返回的宽高并不保证谁大谁小，所以记录“长边”和“短边”时一定要先统一。不然两个不同姿态的同一个工件，一个记录长边为 width，一个记录长边为 height，后续统计会出现抖动。

3.3 fitEllipse：用椭圆表达轮廓

cv2.fitEllipse(points)同样返回RotatedRect，但含义不同：size的两个值对应椭圆的长轴和短轴，angle对应椭圆的旋转角。它最适合表达圆形、椭圆形、胶囊状目标，比如芯片圆点、细胞、表盘刻度。

和minAreaRect的关键差异是：fitEllipse不是“外接”，而是用最小二乘法拟合一个椭圆，让轮廓上的点尽量落在椭圆上。所以它不需要包含所有点，也不会因为某个噪声点把椭圆撑大。但这也意味着它对轮廓质量更敏感，轮廓缺损、毛刺都会让椭圆参数明显偏移。

还有一个硬性要求：输入点集至少 5 个点，而且不能共线。实际使用中，如果轮廓太小或者轮廓退化，fitEllipse会直接抛异常。后面我专门有一节讲这个坑。

3.4 三选一判断表

我的选型逻辑很简单：目标是矩形、需要测量长边方向，就minAreaRect；目标是圆形、需要判断圆度，就fitEllipse；只是拿来做显示或初筛，就boundingRect。三者不是替代关系，而是互补关系。

4. 实战：从轮廓到尺寸测量的一次完整记录

4.1 预处理与轮廓筛选

搭一个完整的测量流程，第一步永远是预处理。以一张零件图为例：读取灰度图，高斯滤波去噪，再用 Otsu 找到阈值。注意，如果目标是亮色而背景暗，用THRESH_BINARY；如果目标是暗色而背景亮，用THRESH_BINARY_INV。方向选反，轮廓就跑到背景上去了。

import cv2 import numpy as np img = cv2.imread("part.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (5, 5), 0) _, th = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) contours, _ = cv2.findContours(th, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) contours = [c for c in contours if cv2.contourArea(c) > 500]

面积过滤这一步非常关键。不先过滤，二值化图像里的噪声点、光斑都会被当成目标，后面测量全乱套。我一般先用面积阈值过滤掉太小的杂点，再根据宽高比、长宽范围做二次筛选，这样能过滤掉大部分干扰。另一个容易被忽略的点是使用RETR_EXTERNAL只取最外层轮廓，如果目标内部有文字或孔洞，内部轮廓也要保留，就要换RETR_CCOMP或RETR_TREE。

4.2 用 minAreaRect 测长宽并绘制

拿到轮廓之后，对每个候选轮廓计算最小外接旋转矩形。为了统一测量结果，比较宽高后把大的作为 length，小的作为 width。旋转角度也统一按长边计算。

for cnt in contours: rrect = cv2.minAreaRect(cnt) (cx, cy), (w, h), angle = rrect if w < h: w, h = h, w angle += 90 print(f"center=({cx:.1f},{cy:.1f}), size=({w:.1f}x{h:.1f}), angle={angle:.1f}") box = cv2.boxPoints(rrect) box = np.int32(box) cv2.polylines(img, [box], True, (0, 255, 0), 2)

这时观察打印结果会发现，即使目标轻微倾斜，angle也能稳定反映姿态，测量出的长宽比boundingRect准很多。但要注意：minAreaRect是“外接”，它要求矩形完全包含所有轮廓点。如果目标边缘有尖刺，外接矩形会被刺撑大，长宽测量结果偏高。这种情况先用凸包或者多边形逼近把轮廓“磨平”，效果会更好。

4.3 用 fitEllipse 区分圆/椭圆目标

同样一个轮廓，也可以用椭圆拟合判断它到底有多“圆”。比如目标是圆形端盖，fitEllipse返回的长轴短轴应该非常接近；如果是拉长的异形件，长短轴比就会很大。

ellipse = cv2.fitEllipse(cnt) (ecx, ecy), (ew, eh), eangle = ellipse ratio = max(ew, eh) / (min(ew, eh) + 1e-6) if ratio < 1.1: label = "circle" else: label = "ellipse" cv2.ellipse(img, ellipse, (255, 0, 0), 2)

这个长短轴比判断法，比直接用面积和周长判断更稳定。因为在一个轮廓同时有轻微形变和噪声的情况下，椭圆拟合对整体形状的响应比较平滑。实际项目里，我会把ratio阈值设为 1.1 到 1.2 之间，按光照稳定程度调整。如果光照波动大，椭圆拟合结果会抖，阈值就要放宽。

5. 我踩过的几个坑（角度、顶点、点数不足）

5.1 用 rectangle() 画 RotatedRect 画成水平框

这个错误太经典了。拿到minAreaRect的返回值之后，很多人直接写cv2.rectangle(img, rrect, ...)，想着以元组形式传进去就行。结果要么因为类型不对报错，要么画出来一个轴对齐的矩形，角度完全被忽略。

正确做法还是两步走：先用cv2.boxPoints()拿到四个顶点，再用polylines画线。如果想把旋转框内部填充半透明颜色，也可以用fillPoly。这里没有捷径，直接记下来就好。

另一个相关问题是打印调试。很多同学打印rrect只看前两位坐标，觉得中心点对不上就怀疑算法有问题。其实center确实应该是轮廓的中心，但如果轮廓本身不规则，外接矩形的中心和视觉中心可能不完全重合。调试时建议把轮廓点和外接矩形一起画出来，肉眼判断更可靠。

5.2 fitEllipse 在轮廓点太少时直接报错

fitEllipse至少需要 5 个点，而且这些点不能全部共线。二值化之后的一个小噪声块，可能只有几个像素点，直接调用一定崩。我在一个批处理任务里就被这个问题坑过，一张图崩了整个程序。

防御性代码很简单：

if len(cnt) >= 5: try: ellipse = cv2.fitEllipse(cnt) except cv2.error: continue

除了数量，轮廓退化也要注意。如果轮廓经过approxPolyDP被压缩成一条直线或三角形，共线点的比例过高，椭圆拟合结果也可能无效。我的经验是先做面积过滤，再用convexHull得到凸包，可以让轮廓点更平滑，拟合结果也更稳定。

5.3 minAreaRect 的角度和 fitEllipse 的角度不能混用

两个函数都返回RotatedRect，乍一看结构完全一样，但角度的语义在实际使用中有细微差别。minAreaRect的 angle 是基于外接矩形的width边，fitEllipse的 angle 是基于椭圆的主轴，同一份轮廓数据算出来的两个角度可能相差 90 度，或者方向相反。

如果需要同时使用这两种结果，最稳妥的方法不是记忆文档，而是把两个框都画出来，肉眼确认长轴方向对齐，再进入下一步。我在做视觉引导抓取时，会统一转换成“角度取绝对值较小的长边方向”，再参与机器人坐标换算。

5.4 扩展：凸包、多边形逼近和外接圆

轮廓处理不是只有这三种函数。做尺寸测量时，convexHull和approxPolyDP也经常一起用。convexHull能去掉凹点带来的干扰，approxPolyDP能把轮廓简化成多边形，方便判断目标边数。比如要区分三角形、四边形、五边形工件，approxPolyDP配合顶点数统计比椭圆拟合更直接。

hull = cv2.convexHull(cnt) approx = cv2.approxPolyDP(hull, 0.02 * cv2.arcLength(hull, True), True)

还有一种情况是寻找圆形目标时用minEnclosingCircle，它返回圆心和半径，比fitEllipse更适合检测螺栓、轴承这类圆形结构。选择太多确实容易乱，我的建议是：遇到一个需求，先明确“要不要角度”，不要角度优先boundingRect，要角度且目标是矩形优先minAreaRect，目标是圆先试fitEllipse，目标是螺栓这类严格的圆再用minEnclosingCircle。

我现在处理轮廓外接形状时，固定这么一套流程：按面积过滤轮廓，需要倾斜测量就minAreaRect，需要圆度判断就fitEllipse，需要快速候选框就boundingRect。这几个函数看着简单，真正用起来还是要把Rect和RotatedRect的数据结构吃透。如果读到这里你觉得还有哪一步可以优化，先从画出RotatedRect的四个顶点开始验证，大多数问题都会自己暴露出来。