话不多说，上代码，看结果。

import cv2           # 导入库font = cv2.FONT_HERSHEY_SIMPLEX
'''  cv2.imread(filename,flags)
# filename为文件名，图片与.py文件在一个文件夹时输入文件名即可
# 不在一个文件夹时输入图片的路径和名字
# flags为图片的颜色类型，默认为1，灰度图像为0
'''
img = cv2.imread('29.jpg')
'''np.copy()
# 数组拷贝，理解成备份原图像就行
# 原图像img， 备份图像img1
# 原图像随便改，备份图像还是初始的原图像
'''
img2 = img.copy()
'''cv2.cvtColor()
# 颜色空间转换
# img为要转换的图像，后者为转换的格式
# 颜色空间有很多种，最常见的就是RGB颜色空间
# R红色，G绿色，B蓝色，OpenCV中顺序是BGR！！！！！！！
# [255, 0,0]是蓝色，[0, 255, 0]表示绿色，[0， 0， 255]表示红色HSV颜色空间
# 也挺常用的，H是色调，S是饱和度，V是明度，具体百度就行
'''
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
'''
cv2.namedWindow(winname,flags)
#  winname是窗口名字
#  flags为窗口显示方式，cv2.WINDOW_NORMAL为正常显示，可以调整大小
# cv2.WINDOW_AUTOSIZE显示原图片的大小，用户不能调整大小
'''
cv2.namedWindow('img', cv2.WINDOW_NORMAL)
'''cv2.imshow(winname,mat)
# winname为显示的窗口
# mat 需要显示的图像
'''
cv2.imshow('img', img)
'''cv2.blur(src, ksize, dst, anchor, borderType)均值滤波
# 用邻域内像素均值来代替该点像素值，均值滤波在去噪的同时也破坏了图像细节部分
#  src 要滤波的图像   ksize 内核的大小  anchor 锚点，即要平滑的点，默认值(-1, -1),即在核中心
#  ksize(3, 3)表示3 * 3的核大小
# dst 输出图像
# borderType 图像像素边界类型，默认就行
'''
img1 = cv2.blur(img, (3, 3))
'''cv2.Canny(image, threshold1, threshold2, edges, apertureSize, L2gradient)
# src 输入图像 dst 输出边缘图像
# threshold1: 滞后阈值低阈值(用于边缘连接) threshold2: 滞后阈值高阈值(控制边缘初始段)
# 推荐高低阈值比值在2:1到3:1之间
# apertureSize: 表示Sobel算子孔径大小, 默认值3
# L2gradient: 计算图像梯度幅值的标识
'''
img1 = cv2.Canny(img1, 30, 100)
cv2.namedWindow('img1', cv2.WINDOW_NORMAL)
cv2.imshow('img1', img1)# 对图片做二值变化
'''cv2.threshold(src, thresh, maxval, type, dst)给定阈值，可以过滤灰度值过大或过小的点
# src 要滤波的图像  dst 输出图像
# thresh 给定阈值  咋判断选取的这个数的好坏呢？不停尝试。
# 用Otsu 不停尝试
# 多加一个参数：cv2.THRESH_OTSU,这时要把阈值设为 0。然后算法会找到最优阈值.
# 这个最优阈值就是返回值ret。如果不使用Otsu二值化，返回的retVal 值与设定的阈值相等
# maxval cv2.THRESH_BINARY  二值化阈值，大于阈值的部分被置为255，小于部分被置为0
# cv2.THRESH_BINARY_INV     反向二值化阈值，大于阈值部分被置为0，小于部分被置为255
# cv2.THRESH_TOZERO        大于部分保持不变, 小于阈值部分被置为0
# cv2.THRESH_TOZERO_INV    大于阈值部分被置为0，小于部分保持不变
# cv2.THRESH_TRUNC          截断阈值化，大于阈值部分被置为threshold，小于部分保持原样
'''
ret, thresh = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)'''cv2.findContours(image, mode, method, contours, hierarchy, offset)
# image 输入图像, 8位单通道图像(一般为二值图)
# contours: 检测到的轮廓, 每个轮廓存储为一个点向量, 即Point类型的vector表示
# hierarchy: 可选的输出向量, 包含图像的拓扑信息。
# 其作为轮廓数量的表示, 包含了许多元素, 每个轮廓contours[i]对应4个hierarchy元素
# hierarchy[i][0]~hierarchy[i][3], 分别表示后一轮廓、前一轮廓、父轮廓、内嵌轮廓的索引编号, 
# 如果没有对应项, 设置为负数
# mode: 轮廓检索模式, 取值如下:
# cv2.RETR_EXTERNAL=0-----表示只检测最外层轮廓
# cv2.RETR_LIST=1------提取所有轮廓并放置在list中, 轮廓不建立等级关系
# cv2.RETR_CCOMP=2------提取所有轮廓并组织为双层结构
# cv2.RETR_TREE =3------提取所有轮廓并重新建立网状轮廓结构
# method: 轮廓的近似方法,取值见图2
# offset: 每个轮廓的可选偏移量, 默认值Point()
'''
thresh, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
print(len(contours))  # 输出轮廓个数'''
凸包(Convex Hull)是一个计算机几何图形学中的概念
简单来说, 给定二维平面点集, 凸包就是能够将最外层的点连接起来构成的凸多边形, 
它能够包含点集中所有的点。物体的凸包检测常应用在物体识别、手势识别及边界检测等领域。
'''
for cnt in contours:'''cv2.boundingRect(array)   轮廓外接矩形# points: 输入的二维点集# 返回值: Rect类矩形对象(x,y,w,h)'''(x, y, w, h) = cv2.boundingRect(cnt)'''cv2.rectangle(img,pt1,pt2,color,thickness,lineType,shift)# 画矩形# img,被画矩形的图像  pt1、pt2矩形的左上角、右下角坐标# color,直线的颜色，BGR颜色  thickness,线的宽度，-1的时候表示填充矩形# lineType,有三种cv2.LINE_AA、cv2.LINE_4、cv2.LINE_8# cv2.LINE_AA抗锯齿，这种类型的线看起来平滑点# shift,坐标精确到小数点后第几位'''cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2)
'''cv2.putText(img, text, org, fontFace, fontScale, color, thickness, lineType, bottomLeftOrigin)
# 添加文字，不能中文
# img，被添加文字的图像 text,添加文字的内容 org 文字的起始坐标
# fontFace,添加文字的字体，cv2.FONT_HERSHEY_COMPLEX这种能好看些
# fontScale,文字的大小 color,文字的颜色,BGR颜色
# thickness,文字笔画的宽度
# lineType,有三种cv2.LINE_AA、cv2.LINE_4、cv2.LINE_8
# cv2.LINE_AA抗锯齿，这种类型的线看起来平滑点
'''
cv2.putText(img, ("Num=%s" % str(len(contours))), (5, 20), font, 0.8, (0, 255, 0), 2)
cv2.imshow("img", img)  # 显示图片'''
cv2.waitKey(delay)
#  delay为正数时，延时delay毫秒结束
#  想要用按下某个键时退出可用以下方法：
#  if(cv2.waitKey(0)  == ord('q')):exit(0)
#别的方法也行，不唯一
'''
if cv2.waitKey(0) & 0xFF == 27:exit(0)
'''
cv2.destroyWindow(winname)
#结束窗口，winname为窗口名
cv2.destroyAllWindows() 
#结束所有窗口
'''
cv2.destroyAllWindows()

结果如下图。

找了张图片，结果如下图

就先这样，遇到别的再补充。