计算机视觉新手求助：神经科学实验网格检测精度优化方案

我在神经科学实验室工作，需要编写行为测试相关代码，目前卡在网格检测环节。我是计算机视觉领域的新手，尝试了多种方法（Hough变换+Canny边缘检测、Sobel边缘检测、基于颜色的检测），但效果不佳。

示例图片 #

• 原始网格图：
• Hough+Canny检测结果：

遇到的问题 #

• 检测精度低，错误识别了部分银边
• 图像顶部和侧边阴影区域的网格线几乎检测不到

当前实现代码 #

import cv2
import numpy as np

img = cv2.imread('grid_image.png')
gray_img=cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

edges = cv2.Canny(gray_img, 50, 150)

lines = cv2.HoughLinesP(edges, rho=1, theta=np.pi/180, threshold=100, minLineLength=100, maxLineGap=10)

line_img = np.zeros_like(img)

for line in lines:
    x1, y1, x2, y2 = line[0]
    cv2.line(line_img, (x1, y1), (x2, y2), (0, 255, 0), 2)

# combine images
result = cv2.addWeighted(img, 0.8, line_img, 1, 0)

# Display the result
cv2.imshow('Grid Detection', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

希望能得到改进方案的指导，感谢帮助。

针对你遇到的问题，从图像预处理、参数调优和后处理三个方向给出具体调整：

1. 优化图像预处理，提升阴影区域对比度 #

阴影区域的网格线灰度值低，直接用灰度图处理会丢失细节，建议先做**CLAHE（限制对比度自适应直方图均衡化）**增强局部对比度，再用高斯模糊抑制噪声：

# 替换原灰度转换后的步骤
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# CLAHE增强局部对比度
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
enhanced_gray = clahe.apply(gray_img)
# 高斯模糊降噪
blurred = cv2.GaussianBlur(enhanced_gray, (5,5), 0)
# 降低Canny阈值，捕捉阴影区域弱边缘
edges = cv2.Canny(blurred, 30, 100)

2. 调优HoughLinesP参数，过滤错误检测 #

调整参数过滤银边这类短线条错误，同时兼容阴影区域的断续网格线：

lines = cv2.HoughLinesP(
    edges,
    rho=1,
    theta=np.pi/180,
    threshold=80,  # 适当降低阈值，捕捉弱边缘
    minLineLength=150,  # 增加最小线长，过滤银边这类短线条
    maxLineGap=20  # 增大线间隙，允许阴影区域网格线的断续
)

3. 基于网格几何特性后处理 #

网格线是严格的水平/垂直方向，通过角度过滤只保留这两个方向的线条：

def filter_horizontal_vertical_lines(lines, angle_tolerance=np.pi/36):  # 5度容忍度
    filtered = []
    for line in lines:
        x1, y1, x2, y2 = line[0]
        # 计算线条角度（相对于水平轴）
        angle = np.arctan2(y2 - y1, x2 - x1)
        # 过滤水平（接近0）或垂直（接近pi/2）的线条
        if (abs(angle) < angle_tolerance) or (abs(angle - np.pi/2) < angle_tolerance):
            filtered.append(line)
    return np.array(filtered) if filtered else None

# 在获取lines后添加过滤步骤
if lines is not None:
    lines = filter_horizontal_vertical_lines(lines)

4. 备选方案：基于颜色空间的分割 #

如果网格线和背景颜色差异明显，可转到HSV颜色空间提取网格线区域：

hsv_img = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 根据网格线实际颜色调整上下限（示例为深色线条）
lower = np.array([0, 0, 0])
upper = np.array([180, 255, 100])
mask = cv2.inRange(hsv_img, lower, upper)
# 形态学操作填补网格线间隙
kernel = np.ones((3,3), np.uint8)
mask = cv2.dilate(mask, kernel, iterations=1)
mask = cv2.erode(mask, kernel, iterations=1)
# 基于mask检测边缘
edges = cv2.Canny(mask, 50, 150)

建议先从预处理和参数调优开始尝试，这两个步骤成本最低，效果提升最明显。若仍有问题，再尝试颜色分割结合几何过滤的方案。

内容的提问来源于stack exchange，提问作者codemaster0102