如何用OpenCV Python检测图像中血液目标？背景与目标区分遇阻

针对你遇到的背景与目标无法区分的问题，结合你提供的背景图和原始图像，推荐两种高效的OpenCV Python解决方案：

方案一：基于背景差分的目标提取 #

既然你有单独的背景图像，直接计算原始图与背景图的差异是最精准的方式，核心思路是利用固定背景与含目标图像的像素差值，快速定位目标区域：

• 提前加载并预处理背景图（灰度化+模糊）
• 对输入图像做同样预处理，计算与背景图的绝对差值
• 阈值提取差异区域，再通过形态学操作优化掩码
• 用掩码提取目标区域并筛选有效轮廓

代码实现 #

import cv2
import numpy as np
import os

# 提前加载背景图，替换为你的背景图路径
bg_img = cv2.imread("./BG.png")
bg_gray = cv2.cvtColor(bg_img, cv2.COLOR_BGR2GRAY)
bg_gray = cv2.GaussianBlur(bg_gray, (5,5), 0)

def detect_blood(input_path):
    img = cv2.imread(input_path)
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    img_gray = cv2.GaussianBlur(img_gray, (5,5), 0)
    
    # 计算背景与原图的灰度差值
    diff = cv2.absdiff(img_gray, bg_gray)
    # 阈值过滤，提取差异区域
    _, thresh = cv2.threshold(diff, 30, 255, cv2.THRESH_BINARY)
    # 形态学操作：闭运算填充孔洞，开运算去除噪点
    kernel = np.ones((3,3), np.uint8)
    mask = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=2)
    mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1)
    
    # 提取目标前景
    foreground = cv2.bitwise_and(img, img, mask=mask)
    
    # 筛选大轮廓，过滤微小噪点
    min_area = 800
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    large_contours = [c for c in contours if cv2.contourArea(c) > min_area]
    cv2.drawContours(foreground, large_contours, -1, (0,255,0), 3)
    
    # 显示结果
    resized_mask = cv2.resize(mask, (480,640))
    resized_foreground = cv2.resize(foreground, (480,640))
    cv2.imshow("mask", resized_mask)
    cv2.imshow("output", resized_foreground)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
    return foreground

def process_images(input_folder, output_folder):
    if not os.path.exists(output_folder):
        os.makedirs(output_folder)

    for filename in os.listdir(input_folder):
        if filename.endswith(('.jpg', '.jpeg', '.png')):
            input_path = os.path.join(input_folder, filename)
            output_path = os.path.join(output_folder, 'result_{}'.format(filename))
            result = detect_blood(input_path)
            cv2.imwrite(output_path, result)

if __name__ == "__main__":
    input_folder = "./BloodV2"
    output_folder = "./img_detect"
    process_images(input_folder, output_folder)

方案二：基于HSV颜色空间提取红色目标 #

如果没有背景图可用，可利用血液的红色特征在HSV空间中精准提取：

• 将图像转换为HSV空间（分离颜色、饱和度、亮度，更适合颜色筛选）
• 设定红色的HSV范围（红色在HSV中跨0度，需分两个区间）
• 生成颜色掩码并优化，提取目标区域

代码实现 #

import cv2
import numpy as np
import os

def detect_blood(input_path):
    img = cv2.imread(input_path)
    # 转换为HSV颜色空间
    hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
    
    # 红色的HSV范围（两个区间覆盖完整红色谱）
    lower_red1 = np.array([0, 70, 50])
    upper_red1 = np.array([10, 255, 255])
    lower_red2 = np.array([170, 70, 50])
    upper_red2 = np.array([180, 255, 255])
    
    # 生成两个掩码并合并
    mask1 = cv2.inRange(hsv, lower_red1, upper_red1)
    mask2 = cv2.inRange(hsv, lower_red2, upper_red2)
    mask = cv2.bitwise_or(mask1, mask2)
    
    # 形态学操作优化掩码
    kernel = np.ones((3,3), np.uint8)
    mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=2)
    mask = cv2.morphologyEx(mask, cv2.MORPH_OPEN, kernel, iterations=1)
    
    # 提取目标前景
    foreground = cv2.bitwise_and(img, img, mask=mask)
    
    # 筛选大轮廓
    min_area = 800
    contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    large_contours = [c for c in contours if cv2.contourArea(c) > min_area]
    cv2.drawContours(foreground, large_contours, -1, (0,255,0), 3)
    
    # 显示结果
    resized_mask = cv2.resize(mask, (480,640))
    resized_foreground = cv2.resize(foreground, (480,640))
    cv2.imshow("mask", resized_mask)
    cv2.imshow("output", resized_foreground)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    
    return foreground

# process_images函数和主函数与方案一一致，此处省略

关键优化说明 #

• 背景差分：利用固定背景直接过滤无关区域，彻底解决背景与目标灰度重叠的问题
• HSV颜色提取：相比RGB，HSV更适合颜色类目标检测，红色范围更易界定
• 形态学操作：闭运算填充目标内部孔洞，开运算去除微小噪点，让掩码更干净
• 轮廓筛选：通过最小面积过滤无效噪点区域，只保留真正的目标

内容的提问来源于stack exchange，提问作者iKnowss