如何使用 open-cv 检测图像中的黑色轮廓

我有一个如下所示的图像（该图像是我对原始图像进行预处理的结果）：

我想做的是检测 黑色区域 以 2 为界的轮廓白色区域（请注意，白色区域并不总是实心的，顶部可能有 2、3... 不连续的白色区域 - 对于大多数图片，白色区域是连续的；但是，有一些示例，顶部白色区域是不连续 - 请参阅我的问题的更新部分以查看非连续区域的示例）

您对如何检测黑色区域的边界并分离黑色区域有什么建议吗？

当然，以下是使用 OpenCV 在 Python 中检测图像中黑色轮廓的步骤，即使白色区域不连续也是如此：

import cv2
import numpy as np

# 加载图像
image = cv2.imread("your_image.jpg") 

# 将图像转换为灰度（如果它还不是）
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 使用自适应阈值对图像进行阈值处理
# 这将有助于处理照明条件的变化
thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY_INV, 11, 2)

# 使用形态学运算来清理阈值图像
# 可以尝试不同的内核大小和形状以获得最佳结果
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations = 2)

# 查找轮廓
contours, hierarchy = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 循环遍历轮廓
for contour in contours:
    # 计算轮廓的面积
    area = cv2.contourArea(contour)

    # 设置最小面积阈值以过滤掉小的、不想要的轮廓
    if area > 100:  # 调整此阈值
        # 绘制轮廓（可选）
        cv2.drawContours(image, [contour], -1, (0, 255, 0), 2)

# 显示结果
cv2.imshow("Image", image)
cv2.waitKey(0)

解释：

1. 加载图像： 使用 cv2.imread() 加载图像。
2. 转换为灰度： 如果图像不是灰度图像，则使用 cv2.cvtColor() 将其转换为灰度。
3. 阈值处理： 使用 cv2.adaptiveThreshold() 对图像进行阈值处理。自适应阈值在处理照明条件变化时比简单阈值更好。
4. 形态学运算： 使用 cv2.morphologyEx() 对阈值图像执行形态学运算。在本示例中，我们使用带有 cv2.MORPH_OPEN 的 opening 来去除噪点并分离白色区域。
5. 查找轮廓： 使用 cv2.findContours() 查找阈值图像中的轮廓。我们使用 cv2.RETR_EXTERNAL 仅检索外部轮廓，并使用 cv2.CHAIN_APPROX_SIMPLE 简化轮廓。
6. 循环遍历轮廓： 循环遍历找到的轮廓，并仅绘制面积大于特定阈值的轮廓。这有助于过滤掉小的、不想要的轮廓。
7. 绘制轮廓： 使用 cv2.drawContours() 在原始图像或空白图像上绘制选定的轮廓，以可视化结果。

调整和改进：

• 阈值处理和内核： 可以尝试使用不同的阈值方法（例如， cv2.THRESH_OTSU ) 和内核大小/形状进行形态学运算，以获得最佳结果。
• 面积阈值： 调整面积阈值以根据图像中的对象大小过滤轮廓。
• 轮廓逼近： 可以使用不同的轮廓逼近方法（例如， cv2.CHAIN_APPROX_NONE ）以获得更精确或更简单的轮廓表示。

通过实验不同的参数和技术，可以针对的特定图像和要求微调此过程。