从网格图像提取特征：求网格单元边厚及指定区域面积

实际图像 #

线条检测结果 #

目标任务示意图 #

我目前正在处理上述网格图像，已经通过Canny边缘检测、Hough变换实现了线条检测，现在需要完成两个核心任务：

• 提取网格单元各边的厚度特征
• 计算示意图中标注区域的面积
  恳请提供可行的实现方法。

已实现的代码片段 #

# Dilate the edge image to make the edges thicker
dialted_edge_image = cv2.dilate(edge_canny_image, kernel, iterations = 2)  

# Perform a Hough Transform to detect lines
lines = probabilistic_hough_line(edge_canny_image, threshold=40, line_length=1, line_gap=2)

# Create a separate image for line detection
line_detected_image = np.dstack([edge_canny_image] * 3)  # Convert to RGB for colored lines
for line in lines:
    p0, p1 = line
    cv2.line(line_detected_image, p0, p1, (255, 255, 255), 2)

解决方案 #

一、提取网格边的厚度特征 #

1. 基于轮廓的厚度计算

• 对膨胀后的边缘图像执行轮廓检测：

  contours, _ = cv2.findContours(dialted_edge_image, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  

• 针对每个网格边的轮廓，计算最小外接矩形，矩形的短边长度即为该边的厚度：

  for contour in contours:
      rect = cv2.minAreaRect(contour)
      thickness = min(rect[1])
  

• 若线条为水平/垂直方向，也可直接统计轮廓在垂直于线条方向的像素范围差作为厚度（比如水平线条取y轴范围差）。

2. 基于距离变换的厚度分析

• 对二值边缘图像做距离变换，线条区域内的最大距离值的2倍，即为线条近似厚度：

  dist_transform = cv2.distanceTransform(edge_canny_image, cv2.DIST_L2, 3)
  max_dist = np.max(dist_transform)
  thickness = max_dist * 2
  

二、计算指定区域的面积 #

1. 先完成网格结构化建模

• 从Hough检测结果中分离水平/垂直线条：通过计算线条斜率，筛选斜率接近0（水平）和斜率绝对值极大（垂直）的线条。
• 对水平/垂直线条分别排序，确定网格的行列间距，建立每个网格单元的坐标范围。

2. 面积计算方法

• 快速估算：若已知标注区域包含的网格数量，先计算单个网格面积（相邻水平/垂直线条间距相乘），再乘以网格数量。
• 精确像素面积：
  • 根据网格坐标范围生成目标区域掩码：

    mask = np.zeros_like(edge_canny_image)
    # 假设目标区域是从(x1,y1)到(x2,y2)的矩形范围
    cv2.rectangle(mask, (x1,y1), (x2,y2), 255, -1)
    

  • 统计掩码中白色像素数量得到像素面积，若需物理面积，结合图像像素分辨率（如每像素对应多少毫米）换算：

    pixel_area = cv2.countNonZero(mask)
    physical_area = pixel_area * (pixel_mm ** 2)  # pixel_mm为单像素对应毫米数
    

补充优化建议 #

• 调整Hough变换参数：当前line_length=1过小，建议增大到10-20，减少噪声线条干扰。
• 对检测到的线条做聚类合并：通过计算线条的距离和角度，合并同一条网格边的重复检测结果。

内容的提问来源于stack exchange，提问作者Sakura