如何用OpenCV识别网绳粗细并准确测量其宽度与角度？

问题说明 #

需要处理含粗细两类网绳的图像，用OpenCV实现以下目标：

• 区分粗、细网绳
• 分别测量两类网绳的宽度与倾斜角度
  此前尝试的轮廓最小外接矩形方法误测了网格间隙，需调整方案以准确识别网绳区域并测量绳宽。

稳定实现方案 #

核心思路 #

1. 预处理优化：采用高斯降噪+自适应阈值分割，适配光照不均的场景，精准分离网绳与背景
2. 形态学修正：用闭操作填充网绳区域的细小空隙，再用开操作消除噪声点，突出网绳的连通区域
3. 轮廓筛选：通过面积、长宽比过滤掉网格间隙等无效轮廓，只保留网绳的有效区域
4. 精准测量：对网绳轮廓计算最小外接矩形，取矩形短边为绳宽，矩形旋转角度为绳的倾斜角度
5. 分类统计：设定合理宽度阈值，将网绳分为粗、细两类并统计数据

完整代码实现 #

import cv2
import numpy as np

def measure_rope_properties(image):
    # 1. 图像预处理：灰度化 + 高斯降噪
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    
    # 2. 自适应阈值分割：适配光照不均，分割网绳与背景
    thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                                   cv2.THRESH_BINARY_INV, 11, 2)
    
    # 3. 形态学操作：闭操作填充网绳空隙，开操作去除噪声
    kernel_close = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel_close, iterations=2)
    kernel_open = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
    opened = cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel_open, iterations=1)
    
    # 4. 提取轮廓并筛选有效网绳区域
    contours, _ = cv2.findContours(opened, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 筛选条件：面积大于阈值，长宽比符合网绳形态（避免间隙轮廓）
    min_area = 50
    valid_contours = []
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area < min_area:
            continue
        rect = cv2.minAreaRect(cnt)
        w, h = rect[1]
        if w == 0 or h == 0:
            continue
        aspect_ratio = max(w, h) / min(w, h)
        # 网绳的长宽比通常远大于1，过滤掉接近正方形的间隙轮廓
        if aspect_ratio > 3:
            valid_contours.append(cnt)
    
    # 5. 测量网绳宽度、角度并分类
    thick_ropes = []  # 存储(宽度, 角度)
    thin_ropes = []
    width_threshold = 10  # 根据实际场景调整阈值
    
    for cnt in valid_contours:
        rect = cv2.minAreaRect(cnt)
        center, (w, h), angle = rect
        # 绳宽取矩形的短边
        rope_width = min(w, h)
        # 统一角度表示：转换为0-90度范围
        if angle < -45:
            angle = 90 + angle
        # 分类
        if rope_width > width_threshold:
            thick_ropes.append((round(rope_width, 2), round(angle, 2)))
            # 绘制粗绳矩形（红色）
            box = cv2.boxPoints(rect)
            box = np.int0(box)
            cv2.drawContours(image, [box], 0, (0, 0, 255), 2)
        else:
            thin_ropes.append((round(rope_width, 2), round(angle, 2)))
            # 绘制细绳矩形（绿色）
            box = cv2.boxPoints(rect)
            box = np.int0(box)
            cv2.drawContours(image, [box], 0, (0, 255, 0), 2)
    
    return image, thick_ropes, thin_ropes

if __name__ == "__main__":
    # 读取图像（注意路径分隔符用/或双反斜杠）
    image = cv2.imread('./pics/webFebric.png')
    if image is None:
        print("无法读取图像，请检查路径")
        exit()
    
    result_img, thick_data, thin_data = measure_rope_properties(image)
    
    # 显示结果
    cv2.imshow('Rope Measurement Result', result_img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
    # 输出统计数据
    print("粗绳（宽度, 角度）：", thick_data)
    print("细绳（宽度, 角度）：", thin_data)

关键细节说明 #

• 自适应阈值：相比固定阈值，能更好处理光照不均的网绳图像，避免局部过亮或过暗导致的分割错误
• 形态学操作：闭操作填充网绳上的细小断裂，开操作去除背景噪声，确保网绳区域的连通性
• 轮廓筛选：通过面积和长宽比过滤掉网格间隙——间隙的轮廓通常接近正方形，而网绳是长条状，长宽比远大于1
• 角度统一：将OpenCV最小外接矩形的角度转换为0-90度范围，更符合直观的倾斜角度认知
• 阈值调整：width_threshold和min_area需根据实际图像的分辨率和网绳尺寸调整，确保分类准确

内容的提问来源于stack exchange，提问作者viktor2000