使用Python识别频谱图中视觉清晰的红蓝线条方案咨询

针对你遇到的数值分析无法区分线条与背景的问题，直接从图像层面处理是更高效的思路——利用OpenCV的颜色分割、形态学操作和特征检测，能快速定位视觉上清晰的红蓝线条。以下是具体实现步骤：

1. 颜色空间转换与阈值分割 #

红蓝线条在HSV颜色空间中更容易区分，先将图像从BGR（OpenCV默认格式）转为HSV，再针对红、蓝两种颜色分别设置阈值，生成对应的二值掩码：

• 红色在HSV中分为两段范围，避免色相环首尾衔接的问题
• 蓝色的HSV范围相对集中，可直接设置单一区间

2. 形态学操作优化掩码 #

生成的掩码可能存在噪点或线条断裂，用开运算（先腐蚀后膨胀）清理噪点，同时让线条更连续，确保后续检测的准确性。

3. 线条位置提取 #

根据线条的形态选择合适的检测方法：

• 霍夫直线变换：适合直线型线条（如你提供的频谱图），直接输出线条的起点/终点坐标
• 轮廓检测：适合曲线型线条，通过拟合轮廓得到线条的坐标范围
• 行列像素统计：如果是长条状图像，对掩码的每一列（或行）统计非零像素的位置，峰值处即为线条所在

示例代码 #

import cv2
import numpy as np

# 读取图像（替换为你的图像路径）
img = cv2.imread('spectrum.png')
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 红色掩码
lower_red1 = np.array([0, 120, 70])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([170, 120, 70])
upper_red2 = np.array([180, 255, 255])
mask_red = cv2.bitwise_or(cv2.inRange(hsv, lower_red1, upper_red1),
                          cv2.inRange(hsv, lower_red2, upper_red2))

# 蓝色掩码
lower_blue = np.array([90, 50, 50])
upper_blue = np.array([130, 255, 255])
mask_blue = cv2.inRange(hsv, lower_blue, upper_blue)

# 合并红蓝掩码
mask_combined = cv2.bitwise_or(mask_red, mask_blue)

# 形态学开运算去噪
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
mask_clean = cv2.morphologyEx(mask_combined, cv2.MORPH_OPEN, kernel)

# 霍夫直线检测（调整参数适配你的图像）
lines = cv2.HoughLinesP(mask_clean, rho=1, theta=np.pi/180,
                        threshold=50, minLineLength=100, maxLineGap=10)

# 输出线条坐标并绘制
if lines is not None:
    for line in lines:
        x1, y1, x2, y2 = line[0]
        print(f"线条坐标：({x1}, {y1}) → ({x2}, {y2})")
        cv2.line(img, (x1, y1), (x2, y2), (0, 255, 0), 2)

# 显示结果
cv2.imshow('Detected Lines', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意事项 #

• 阈值范围需要根据你的实际图像微调，可借助OpenCV滑动工具实时调整参数
• 如果线条是曲线，改用cv2.findContours()提取轮廓后做多项式拟合
• 若图像存在倾斜，先通过霍夫直线检测校正角度再处理

内容的提问来源于stack exchange，提问作者Coolcrab