【1】引言
前序学习进程中，已经初步探索了对图像轮廓的矩形标注和圆形标注：
python学opencv|读取图像（六十五）使用cv2.boundingRect()函数实现图像轮廓矩形标注-CSDN博客
但实际上，这两种标注方法都是大致的，不够精细，且在图像颜色稍微复杂的时候，就因为轮廓层数太多就无法画出合适的矩形或者圆形。
本次学习的目的，就是尽可能沿着图像的轮廓来画这个标注的包络线，也就是调用cv2.convexHull()函数进行凸包标注。
凸包标注画的标注线彼此之间都是钝角，相比于矩形或者圆形标注，对图像的包络更近了一些。
【2】官网教程
点击下方链接，直达cv2.convexHull()函数的官网教程：
OpenCV: Structural Analysis and Shape Descriptors
官网页面对 cv2.convexHull()函数的说明为：
图1 官网页面对 cv2.convexHull()函数的说明
具体的，官网页面对 cv2.convexHull()函数的参数说明为：
cv.convexHull (
InputArray points, #输入点阵数据
OutputArray hull, #输出凸包数据
bool clockwise = false, #如果为True，按照顺时针画凸包，为False则逆时针画凸包，可选参数
bool returnPoints = true ) #返回值类型，为True时返回坐标值，可选参数
【3】代码测试
和之前一样，cv2.convexHull()函数要想用凸包作为标签标注图形的轮廓，需要提前知晓图像的轮廓位置，所以依然要调用 cv2.findContours()函数来找到轮廓。
cv2.boundingRect()函数和cv2.findContours()函数有一个共同点，就是必须要对灰度图像才有效，所以必须提前调用cv2.cvtColor()函数转换灰度图，而为了更进一步突出灰度图，有时候需要调用cv2.threshold()函数进行阈值处理。
如果对上述函数不熟悉，可以通过下述链接回忆：
python学opencv|读取图像（六十四）使用cv2.findContours()函数+cv2.drawContours()函数实现图像轮廓识别和标注-CSDN博客
python学opencv|读取图像（十一）彩色图像转灰度图的两种办法_识别图像输出灰度图-CSDN博客
按照上述分析的逻辑，代码设置为：引入必要模块和图像，图像灰度处理，图像阈值处理，给灰度图像找边界轮廓，然后是绘制凸包标注。
此处直接给出完整代码：
import cv2 as cv # 引入CV模块
import numpy as np #引入numpy模块
# 读取图片
src = cv.imread('df.png') #读取图像srcx.png
gray=cv.cvtColor(src,cv.COLOR_BGR2GRAY) #将图像转化为灰度图
#图像处理
t,dst=cv.threshold(gray,127,255,cv.THRESH_BINARY) #阈值处理
con,hierarchy=cv.findContours(dst,cv.RETR_LIST,cv.CHAIN_APPROX_SIMPLE) #读取边界
x=cv.convexHull(con[0]) #获取轮廓的凸包
cv.polylines(src,[x],True,(0,100,255),12)
#cv.imshow('ini-image ', dst) #显示原始图像
cv.imshow('ini-image-con', src) #显示带轮廓线图像
#cv.imshow('ini-image-gon', gray) #显示带轮廓线图像
cv.imwrite('ini-image-tb.png', src)
cv.waitKey() # 图像不关闭
cv.destroyAllWindows() # 释放所有窗口代码运行的相关图像有：
图2 初始图像
图3 加凸包图像
由图2和图3可见，图像识别成功，并且画上了凸包标注框。
【4】细节说明
在使用纯黑白图像时，顺利获得了如图3所示的凸包标注效果。
如果图像稍微复杂一些，是否效果依旧显著。
将输出图像更换进行测试：
图5 新初始图像
图6 实际运行效果-标注了一个点
实际上，如果在代码中继续读取图像的轮廓层，会发现新图像的轮廓层数很多，因此无法选取合适的轮廓层来进行凸包点阵选择，最后也就无法勾勒出好的凸包边框。
和矩形。圆形标注一样，凸包标注也是在处理简单的纯黑白图像时效果更好。
【5】总结
掌握了python+opencv通过使用cv2.convexHull()函数对图像轮廓进行凸包标注的技巧。
