如何为随机分布的类杆状规则均匀形状正确拟合椭圆并计算面积？

我仔细看了你的代码和需求，发现几个关键问题导致椭圆拟合效果不理想，咱们一步步来修正：

主要问题分析 #

• 颜色空间转换错误：cv2.imread 默认读取的是BGR格式，你这里执行 imge = cv2.cvtColor(img,cv2.COLOR_RGB2BGR) 属于无效转换，反而可能干扰后续灰度处理。
• 未过滤噪声轮廓：没有对轮廓的面积进行筛选，很多微小的噪声轮廓会被错误拟合椭圆，导致结果混乱。
• 椭圆面积计算错误：你写的 area= math.pi * half_major1 * half_major1 是圆的面积公式，椭圆面积应该是 π × 长半轴 × 短半轴。
• 绘图尺寸错误：创建 drawing 画布时用了 canny_output.shape[1] 作为高度，应该用 canny_output.shape[0]（图像高度），否则画布会变形。

修正后的完整代码 #

import cv2
import numpy as np
import random as rng
import math

# 读取图像，cv2.imread默认返回BGR格式
img = cv2.imread('sticks.png', 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 改用高斯模糊，比普通blur更适合降噪
blur = cv2.GaussianBlur(gray, (3, 3), 0)
rng.seed(1)

def thresh_callback(val):
    threshold = val
    canny_output = cv2.Canny(blur, threshold, threshold * 2)  # 调整Canny的高低阈值比例，更稳定
    contours, _ = cv2.findContours(canny_output, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    minEllipse = [None]*len(contours)
    # 过滤小轮廓，只处理面积大于阈值的轮廓（根据你的图像调整这个值）
    min_contour_area = 50  # 可根据实际图像调整
    
    for i, c in enumerate(contours):
        contour_area = cv2.contourArea(c)
        if contour_area > min_contour_area and c.shape[0] > 5:
            minEllipse[i] = cv2.fitEllipse(c)
            (x,y),(minor_axis,major_axis),angle = minEllipse[i]
            half_major = major_axis / 2
            half_minor = minor_axis / 2
            pixel = 37.795275591
            # 转换为实际单位
            half_major_real = half_major / pixel
            half_minor_real = half_minor / pixel
            # 椭圆面积正确公式
            area = math.pi * half_major_real * half_minor_real
            print(f"轮廓{i}的椭圆面积：{area}")
    
    # 正确创建画布：高度、宽度、通道数
    drawing = np.zeros((canny_output.shape[0], canny_output.shape[1], 3), dtype=np.uint8)
    for i, c in enumerate(contours):
        contour_area = cv2.contourArea(c)
        if contour_area > min_contour_area:
            color = (rng.randint(0,256), rng.randint(0,256), rng.randint(0,256))
            cv2.drawContours(drawing, contours, i, color, 2)
            if minEllipse[i] is not None:
                cv2.ellipse(drawing, minEllipse[i], color, 2)
    
    cv2.imshow('Fitting Ellips', drawing)

source_window = 'Source'
cv2.namedWindow(source_window)
cv2.imshow(source_window, img)
max_thresh = 255
thresh = 100
cv2.createTrackbar('Canny Thresh:', source_window, thresh, max_thresh, thresh_callback)
thresh_callback(thresh)
cv2.waitKey(0)
cv2.destroyAllWindows()

关键修改说明 #

1. 移除错误的颜色转换：直接用原始BGR图像转换为灰度图，避免颜色空间混乱。
2. 替换为高斯模糊：高斯模糊对边缘保留更好，适合后续Canny边缘检测。
3. 添加轮廓面积过滤：通过min_contour_area过滤掉噪声小轮廓，只处理真正的杆状物体。
4. 修正椭圆面积公式：使用正确的椭圆面积计算方式，确保结果准确。
5. 修复画布尺寸：让画布尺寸和输入图像一致，避免绘制的椭圆变形。
6. 调整Canny阈值比例：将高阈值设为低阈值的2倍，比原来的4倍更适合大多数场景，你也可以通过滑动条微调。

你可以根据实际图像调整min_contour_area的值，确保只选中所有杆状物体的轮廓。运行修正后的代码，应该就能得到你预期的每根杆状物体的椭圆拟合效果了。

内容的提问来源于stack exchange，提问作者Dreko