基于亮度差异的边缘检测与筛选：液体弓形波图像分析需求

针对你用高速相机拍摄的液体弓形波图像，要解决Canny检测出现的顶部光照伪边缘、小边缘干扰问题，同时提取轮廓像素坐标，可按以下步骤实现：

1. 消除光照不均，解决顶部伪边缘 #

顶部伪边缘来自光照亮度渐变，先做光照校正：

• 生成光照背景模板：对灰度原图做大核高斯模糊（比如21x21，核大小根据图像尺寸调整），得到仅保留光照缓慢变化的背景图
• 图像归一化校正：将原图与背景图做除法运算（先归一化到0-1范围），再转回0-255，抵消光照衰减：

import cv2
import numpy as np

gray = cv2.cvtColor(original_img, cv2.COLOR_BGR2GRAY)
# 生成光照背景
bg = cv2.GaussianBlur(gray, (21,21), 0)
# 校正光照不均
corrected = cv2.divide(gray, bg, scale=255)

2. 优化边缘检测，过滤小噪点 #

先做二值化减少干扰，再结合形态学操作清理边缘：

• Otsu自动阈值二值化：把液体区域和背景初步分离，减少非目标边缘：

_, binary = cv2.threshold(corrected, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

• Canny边缘检测：调整高低阈值（低阈值建议设为高阈值的1/3），比如：

edges = cv2.Canny(binary, 40, 120)

• 形态学清理：用闭运算填补边缘小缺口，开运算去除小噪点：

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
edges_clean = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel)
edges_clean = cv2.morphologyEx(edges_clean, cv2.MORPH_OPEN, kernel)

3. 筛选主边缘，去除小边缘干扰 #

通过轮廓面积筛选出弓形波的主轮廓：

• 提取所有外部轮廓：

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

• 保留面积最大的轮廓（即弓形波主轮廓）：

# 过滤掉面积过小的轮廓，只保留最大的主轮廓
main_contour = max(contours, key=cv2.contourArea)

如果图像中存在多个较大轮廓，可结合轮廓的外接矩形宽高比进一步筛选，弓形波轮廓通常有特定的宽高比例

4. 提取轮廓像素坐标 #

将主轮廓转换为(x,y)像素坐标列表，可保存为文件供后续分析：

# 转换为像素坐标列表
pixel_coords = [tuple(point[0]) for point in main_contour]

# 保存为CSV文件
import csv
with open('wave_contour_coords.csv', 'w', newline='') as f:
    writer = csv.writer(f)
    writer.writerow(['x', 'y'])
    writer.writerows(pixel_coords)

额外优化建议 #

• 若光照不均情况复杂，可尝试CLAHE局部对比度增强，进一步弱化伪边缘：

clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
corrected_clahe = clahe.apply(gray)

• 批量处理时，可将上述步骤封装为函数，遍历图像文件夹自动完成所有分析

内容的提问来源于stack exchange，提问作者Celotos