如何用OpenCV移除二值图像主布线环内外的多余文本与区域？

核心思路 #

先定位主布线环的范围，生成仅包含环内区域的掩码，再针对该区域内的小连通域（文本、+-符号）进行过滤移除，最后和你已实现的环外处理结果合并。

具体步骤及代码实现 #

1. 提取主布线环的掩码

假设你的二值图像为binary_img（白色为前景，黑色为背景）：

import cv2
import numpy as np

# 读取二值图像（替换成你的批量读取逻辑）
binary_img = cv2.imread('sample_image.png', cv2.IMREAD_GRAYSCALE)

# 用闭运算填充主环的小缺口，避免轮廓断裂
kernel_close = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
closed_img = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel_close)

# 查找所有外部轮廓
contours, _ = cv2.findContours(closed_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 筛选主布线环轮廓（默认取面积最大的，可根据实际形状调整）
max_area = 0
main_contour = None
for cnt in contours:
    area = cv2.contourArea(cnt)
    if area > max_area:
        max_area = area
        main_contour = cnt

# 生成主环区域的掩码（白色为环内范围，其余为黑色）
mask = np.zeros_like(binary_img)
cv2.drawContours(mask, [main_contour], -1, 255, thickness=cv2.FILLED)

2. 移除环内的文本及小区域

通过连通区域分析过滤小面积目标：

# 获取所有连通区域的统计数据
num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(binary_img, connectivity=8)

# 定义小区域过滤阈值（根据你的图像实际尺寸调整，比如文本面积通常<500像素）
min_area_threshold = 500

result_img = binary_img.copy()

# 遍历所有连通区域，移除环内的小面积目标
for i in range(1, num_labels):  # 0为背景区域
    area = stats[i, cv2.CC_STAT_AREA]
    x, y, w, h = stats[i, cv2.CC_STAT_LEFT], stats[i, cv2.CC_STAT_TOP], stats[i, cv2.CC_STAT_WIDTH], stats[i, cv2.CC_STAT_HEIGHT]
    
    # 以区域中心判断是否在环内
    center_x = x + w//2
    center_y = y + h//2
    if mask[center_y, center_x] == 255 and area < min_area_threshold:
        result_img[labels == i] = 0

# 可选：用开运算清理环内残留的细小噪声
kernel_open = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
masked_inner = cv2.bitwise_and(result_img, mask)
processed_inner = cv2.morphologyEx(masked_inner, cv2.MORPH_OPEN, kernel_open)
result_img = cv2.bitwise_or(result_img, processed_inner)

3. 合并环外与环内处理结果

将你已实现的环外处理图像和环内处理结果整合：

# 假设你已处理好的环外图像为processed_outer_img
# 保留环外处理结果，替换环内区域为新处理后的内容
final_result = cv2.bitwise_and(processed_outer_img, cv2.bitwise_not(mask))
final_result = cv2.bitwise_or(final_result, cv2.bitwise_and(result_img, mask))

关键调整点 #

• 轮廓筛选：如果主环不是面积最大的轮廓，可通过轮廓周长、近似多边形边数（判断是否为圆形/环形）调整筛选逻辑。
• 面积阈值：统计你数据集中文本、+-符号的平均面积，设置更精准的阈值。
• 形态学核：闭/开运算的核大小需适配图像分辨率，避免破坏主布线结构。

内容的提问来源于stack exchange，提问作者kawsar