OpenCV基于颜色检测矩形失效：无法识别重叠矩形问题求助

问题根源 #

你的代码处理重叠矩形时失效，核心原因是重叠的同色矩形在掩码中会形成单一连通区域，cv2.findContours会将其识别为一个整体轮廓，无法区分独立的矩形。

可行解决方案 #

方案1：分水岭算法分割连通区域 #

通过距离变换和分水岭算法拆分合并的连通区域，再逐个检测矩形：

import cv2
import numpy as np

# 读取图像
image = cv2.imread("your_input_image.png")
image_hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 颜色掩码
lower_blue = np.array([110, 50, 50])
upper_blue = np.array([130, 255, 255])
mask = cv2.inRange(image_hsv, lower_blue, upper_blue)

# 开运算去除噪声
kernel = np.ones((3, 3), np.uint8)
opening = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=2)

# 确定背景区域
sure_bg = cv2.dilate(opening, kernel, iterations=3)

# 距离变换提取前景区域
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, sure_fg = cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0)

# 计算未知区域（背景与前景的差）
sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg, sure_fg)

# 标记连通区域
ret, markers = cv2.connectedComponents(sure_fg)
markers += 1  # 背景标记为1，避免与分水岭的边界标记(-1)冲突
markers[unknown == 255] = 0

# 应用分水岭算法分割区域
markers = cv2.watershed(image, markers)
image[markers == -1] = [255, 0, 0]  # 标记分割边界

# 遍历每个分割后的区域，检测矩形
for marker_idx in range(2, ret + 1):
    # 创建当前区域的掩码
    marker_mask = np.zeros_like(mask)
    marker_mask[markers == marker_idx] = 255
    
    # 提取区域轮廓
    contours, _ = cv2.findContours(marker_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    for contour in contours:
        # 轮廓近似
        epsilon = 0.02 * cv2.arcLength(contour, True)
        approx = cv2.approxPolyDP(contour, epsilon, True)
        
        # 判断是否为矩形
        if len(approx) == 4:
            x, y, w, h = cv2.boundingRect(approx)
            cv2.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0), 2)

# 保存或显示结果
cv2.imwrite("output_watershed.png", image)
# cv2.imshow("Result", image)
# cv2.waitKey(0)

方案2：霍夫线变换重建矩形 #

通过检测矩形的边缘直线，再通过直线交点组合出独立矩形，不受连通区域限制：

import cv2
import numpy as np

# 读取图像
image = cv2.imread("your_input_image.png")
image_hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)

# 颜色掩码
lower_blue = np.array([110, 50, 50])
upper_blue = np.array([130, 255, 255])
mask = cv2.inRange(image_hsv, lower_blue, upper_blue)

# 边缘检测
edges = cv2.Canny(mask, 50, 150)

# 霍夫线变换检测直线（调整参数适配你的图像）
lines = cv2.HoughLinesP(edges, 1, np.pi / 180, threshold=50, minLineLength=30, maxLineGap=10)

# 分类水平和垂直线
horizontal_lines = []
vertical_lines = []
for line in lines:
    x1, y1, x2, y2 = line[0]
    # 判断水平线（y坐标差异小）
    if abs(y2 - y1) < 10:
        horizontal_lines.append(((x1, y1), (x2, y2)))
    # 判断垂直线（x坐标差异小）
    elif abs(x2 - x1) < 10:
        vertical_lines.append(((x1, y1), (x2, y2)))

# 计算直线交点，收集矩形顶点候选
rect_pts = []
for h_line in horizontal_lines:
    h_y = h_line[0][1]
    h_x_min = min(h_line[0][0], h_line[1][0])
    h_x_max = max(h_line[0][0], h_line[1][0])
    for v_line in vertical_lines:
        v_x = v_line[0][0]
        v_y_min = min(v_line[0][1], v_line[1][1])
        v_y_max = max(v_line[0][1], v_line[1][1])
        # 检查交点是否同时在两条直线上
        if h_x_min <= v_x <= h_x_max and v_y_min <= h_y <= v_y_max:
            rect_pts.append((v_x, h_y))

# 聚类顶点，生成矩形（假设图像中有4个矩形，可根据实际调整聚类数）
if len(rect_pts) >= 4:
    rect_pts_np = np.array(rect_pts, dtype=np.float32)
    # K-means聚类分组顶点
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
    ret, labels, centers = cv2.kmeans(rect_pts_np, 4, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
    
    # 遍历每个聚类，生成矩形
    for i in range(ret):
        group_pts = rect_pts_np[labels.ravel() == i]
        if len(group_pts) >= 4:
            x_min, y_min = np.min(group_pts, axis=0)
            x_max, y_max = np.max(group_pts, axis=0)
            cv2.rectangle(image, (int(x_min), int(y_min)), (int(x_max), int(y_max)), (0, 255, 0), 2)

# 保存或显示结果
cv2.imwrite("output_hough.png", image)
# cv2.imshow("Result", image)
# cv2.waitKey(0)

参数调整提示 #

• 方案1中，可调整0.7 * dist_transform.max()的系数，控制前景区域的阈值；
• 方案2中，霍夫线的threshold、minLineLength、maxLineGap参数需要根据图像的矩形大小、边缘清晰度调整；
• 两种方案都可先对掩码做形态学操作（开/闭运算），优化掩码质量。

内容的提问来源于stack exchange，提问作者spd