基于Sobel边缘检测的硬币图像背景去除优化求助

核心问题分析 #

从你提供的Sobel边缘检测结果和最终残留噪点的图来看：

• Sobel边缘检测对文字这类高频噪点辨识度过高，易将文字边缘误判为目标轮廓，后续筛选不足就会残留噪点
• 全局均值降噪阈值过于粗糙，无法区分硬币区域与背景噪点的灰度差异，容易误删硬币边缘暗部区域
• 原findSignificantContours()大概率仅做了面积筛选，未利用硬币的圆形特征，导致非圆形的文字轮廓未被过滤

优化步骤与代码实现 #

1. 替换边缘检测策略：Canny+形态学操作替代Sobel+Otsu #

Canny边缘检测自带双阈值过滤，能更好区分真实边缘与噪点；配合形态学闭操作填补硬币内部小缺口，开操作消除背景小噪点。

2. 改进轮廓筛选逻辑：基于圆形特征精准过滤 #

硬币是规则圆形，通过面积范围、圆度（轮廓周长平方与4π面积的比值，越接近1越圆）、外接圆匹配度三个维度筛选，彻底排除文字等非圆形噪点轮廓。

3. 优化掩码生成与背景去除 #

确保掩码完全覆盖硬币区域，避免误删；用位运算直接去除背景，高效准确。

import cv2
import numpy as np

def process_coin_image(byte_data):
    # 1. 从字节对象读取图像为numpy数组并解码
    nparr = np.frombuffer(byte_data, np.uint8)
    img = cv2.imdecode(nparr, cv2.IMREAD_COLOR)
    if img is None:
        return None
    
    # 2. 预处理：转灰度+高斯模糊去噪
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    
    # 3. Canny边缘检测+形态学操作优化边缘
    edges = cv2.Canny(blurred, 50, 150)  # 双阈值可根据图像实际调整
    # 闭操作填补硬币内部缺口，开操作消除背景小噪点
    kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (7, 7))
    edges_processed = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel)
    edges_processed = cv2.morphologyEx(edges_processed, cv2.MORPH_OPEN, kernel)
    
    # 4. 查找轮廓并筛选符合硬币特征的目标
    contours, _ = cv2.findContours(edges_processed.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    valid_contours = []
    img_total_area = img.shape[0] * img.shape[1]
    for cnt in contours:
        cnt_area = cv2.contourArea(cnt)
        # 过滤面积过小/过大的轮廓（占图像面积5%-80%可按需调整）
        if cnt_area < img_total_area * 0.05 or cnt_area > img_total_area * 0.8:
            continue
        # 计算圆度：圆度=4π*面积/(周长^2)，越接近1越接近正圆
        perimeter = cv2.arcLength(cnt, True)
        if perimeter == 0:
            continue
        circularity = 4 * np.pi * (cnt_area / (perimeter ** 2))
        # 圆度阈值（一般0.7以上可视为近似圆形）
        if circularity < 0.7:
            continue
        # 校验轮廓与外接圆的匹配度
        (x, y), radius = cv2.minEnclosingCircle(cnt)
        circle_area = np.pi * (radius ** 2)
        # 轮廓面积与外接圆面积占比≥80%视为匹配
        if cnt_area / circle_area < 0.8:
            continue
        valid_contours.append(cnt)
    
    # 5. 生成掩码并去除背景
    mask = np.zeros_like(gray)
    cv2.drawContours(mask, valid_contours, -1, 255, thickness=cv2.FILLED)
    # 位运算保留硬币区域
    result = cv2.bitwise_and(img, img, mask=mask)
    # 将背景区域置为白色（可选操作）
    result[mask == 0] = [255, 255, 255]
    
    return result

关键参数调整建议 #

• Canny双阈值：硬币边缘模糊时可降低下限（如30）；背景噪点多时提高上限（如200）
• 形态学核大小：硬币尺寸大时可适当增大核（如(9,9)）
• 轮廓筛选阈值：面积占比、圆度、匹配度可根据实际图像的硬币大小、清晰度微调

内容的提问来源于stack exchange，提问作者Shunya