如何在含噪声背景的育苗盆图像中检测并分割正方形花盆

我有多张育苗区图像，想编写代码分割每个正方形花盆并保存。目前的处理流程是转灰度图、高斯模糊去噪、阈值二值化，但用cv.findContours检测时，没法精准识别每个花盆的边界，只能获取图像角落点，现有代码效果很差。之前搜的方案大多针对光照对比度充足的场景，不适用当前情况。

相关图像：原图、二值化图、结果图。

现有代码如下：

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (3, 3), 0)
edges = cv2.Canny(blurred, 10, 50)

thresh = cv2.adaptiveThreshold(gray, 400, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 7, 4)
lines = cv2.HoughLines(thresh, rho=1, theta=np.pi/180, threshold=100)
contours, hierarchy = cv2.findContours(edges, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE) 
squares = []
for contour in contours:
    peri = cv2.arcLength(contour, True)
    approx = cv2.approxPolyDP(contour, 0.02 * peri, True)
    if len(approx) == 4:
        x, y, w, h = cv2.boundingRect(approx)
        aspect_ratio = float(w) / h
        if 0.98 <= aspect_ratio <= 1:  # Adjust this range as per your requirement
            squares.append(approx)
# Draw squares on the original image
for square in squares:
    cv2.drawContours(image, [square], -1, (0, 255, 0), 2)

针对光照不足、对比度低的场景，调整处理流程，重点强化花盆的网格线条，再提取轮廓：

步骤调整 #

• 灰度与模糊优化：用更大的高斯模糊核减少噪声，同时保留线条特征
• 阈值处理替换：改用cv2.THRESH_BINARY_INV反转阈值，让花盆边框变为前景
• 形态学操作强化线条：用膨胀+腐蚀的组合（闭运算）填补线条间隙，再用开运算去除小噪点
• 轮廓筛选优化：调整轮廓近似参数，加入面积筛选，排除过小或过大的轮廓

改进代码 #

import cv2
import numpy as np

def segment_pots(image_path):
    # 读取图像
    image = cv2.imread(image_path)
    if image is None:
        return
    
    # 转灰度
    gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
    # 高斯模糊，增大核尺寸减少噪声
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    
    # 自适应阈值，反转二值化，让边框为白色
    thresh = cv2.adaptiveThreshold(blurred, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                                   cv2.THRESH_BINARY_INV, 11, 2)
    
    # 形态学操作：先闭运算填补线条间隙，再开运算去噪点
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
    closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=2)
    opened = cv2.morphologyEx(closed, cv2.MORPH_OPEN, kernel, iterations=1)
    
    # 提取轮廓，用RETR_EXTERNAL只取最外层轮廓
    contours, hierarchy = cv2.findContours(opened.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    squares = []
    # 获取图像尺寸，计算花盆面积的合理范围（根据实际场景调整）
    img_h, img_w = gray.shape
    min_area = (img_w // 10) * (img_h // 10)  # 假设至少是图像1/100大小
    max_area = (img_w // 2) * (img_h // 2)    # 不超过图像1/4大小
    
    for contour in contours:
        # 计算轮廓周长
        peri = cv2.arcLength(contour, True)
        # 轮廓近似，调整参数为0.03*peri，适配低对比度场景
        approx = cv2.approxPolyDP(contour, 0.03 * peri, True)
        
        # 筛选四边形、合理宽高比、面积范围
        if len(approx) == 4:
            x, y, w, h = cv2.boundingRect(approx)
            aspect_ratio = float(w) / h
            area = w * h
            if 0.9 <= aspect_ratio <= 1.1 and min_area < area < max_area:
                squares.append(approx)
                # 裁剪并保存花盆图像
                pot_img = image[y:y+h, x:x+w]
                cv2.imwrite(f"pot_{x}_{y}.jpg", pot_img)
    
    # 在原图绘制检测到的花盆边框
    cv2.drawContours(image, squares, -1, (0, 255, 0), 2)
    cv2.imwrite("result.jpg", image)
    return image

# 使用示例
segment_pots("seedling_area.jpg")

关键调整说明 #

• 形态学操作：闭运算能把断开的花盆边框连接起来，开运算可以去掉小的噪点轮廓，解决低对比度下线条断裂的问题
• 轮廓筛选：加入面积范围过滤，排除图像角落的大轮廓和小噪点，只保留花盆大小的轮廓
• 阈值反转：让原本深色的边框变为白色前景，更适合轮廓检测
• 轮廓近似参数：把0.02调整为0.03，对低对比度下的不规则轮廓更友好

内容的提问来源于stack exchange，提问作者Muhammad