如何使用OpenCV与C++识别单色噪声图像中的光斑？

针对带噪声亮斑图像的识别需求，结合你遇到的问题，给出以下优化方案：

一、图像预处理：降噪与增强亮斑 #

简单固定阈值无法区分光斑与噪声，建议采用中值滤波（对椒盐噪声抑制效果更优）平滑背景，再搭配自适应阈值或OTSU自动阈值分割：

• 中值滤波：有效消除孤立噪声点，同时保留光斑边缘细节
• 自适应阈值：根据局部区域灰度值动态调整阈值，适配背景噪声波动大的场景
• OTSU阈值：自动计算全局最优阈值，适合光斑与背景灰度差异明显但噪声较多的情况

二、亮斑识别与分离 #

预处理得到二值图后，通过轮廓检测提取目标，核心是过滤面积过小的噪声轮廓：

• 使用cv::RETR_EXTERNAL仅提取最外层轮廓
• 计算每个轮廓的像素面积，设置合理阈值剔除噪声产生的微小轮廓

三、光斑轮廓勾勒 #

对筛选后的有效轮廓，直接绘制到输出图像，也可额外绘制最小外接圆/矩形强化标记效果。

优化后的完整代码 #

#include <opencv2/opencv.hpp>

int main() {
    cv::Mat image = cv::imread("image.png", cv::IMREAD_GRAYSCALE);
    if (image.empty()) {
        return -1;
    }

    // 预处理：中值滤波降噪
    cv::Mat blurred;
    cv::medianBlur(image, blurred, 5); // 核大小为奇数，可根据噪声程度调整

    // 自适应阈值分割（替换固定阈值）
    cv::Mat binaryImage;
    cv::adaptiveThreshold(blurred, binaryImage, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C,
                          cv::THRESH_BINARY_INV, 11, 2);
    // 若偏好OTSU阈值，可替换为：
    // cv::threshold(blurred, binaryImage, 0, 255, cv::THRESH_BINARY_INV | cv::THRESH_OTSU);

    // 轮廓检测与筛选
    std::vector<std::vector<cv::Point>> contours;
    std::vector<cv::Vec4i> hierarchy;
    cv::findContours(binaryImage, contours, hierarchy, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

    // 绘制有效轮廓
    cv::Mat outputImage = cv::Mat::zeros(image.size(), CV_8UC3);
    const double MIN_AREA = 50; // 最小面积阈值，需根据实际光斑大小调整
    for (size_t i = 0; i < contours.size(); i++) {
        double area = cv::contourArea(contours[i]);
        if (area > MIN_AREA) {
            // 绘制红色轮廓，线宽2
            cv::drawContours(outputImage, contours, (int)i, cv::Scalar(0, 0, 255), 2);
            // 可选：绘制光斑的最小外接圆（绿色，线宽1）
            cv::Point2f center;
            float radius;
            cv::minEnclosingCircle(contours[i], center, radius);
            cv::circle(outputImage, center, radius, cv::Scalar(0, 255, 0), 1);
        }
    }

    cv::imwrite("output.png", outputImage);
    // 可选：显示结果窗口
    // cv::imshow("Original", image);
    // cv::imshow("Binary", binaryImage);
    // cv::imshow("Result", outputImage);
    // cv::waitKey(0);
    return 0;
}

关键参数调整说明 #

• 中值滤波核大小：5为基础值，噪声越密集可适当增大（需保持奇数）
• 自适应阈值blockSize：建议取11、13等奇数，值越大参考的局部区域越广
• MIN_AREA：根据实际光斑的像素面积测试调整，确保过滤所有噪声小斑点

内容的提问来源于stack exchange，提问作者gear