如何用Python在尺寸多变的灰度图中提取特定图案轮廓

问题描述 #

我有包含多种图案的灰度图像，希望用Python提取特定图案的轮廓，即使图案尺寸变化也能生效。目前尝试的轮廓提取代码得到的并非目标区域。

素材说明 #

• 原始图像1：包含目标图案及其他背景元素的灰度图
• 原始图像2：目标图案尺寸不同的同类型灰度图
• 预期效果：仅精准勾勒出目标图案的轮廓
• 当前结果：错误地勾勒出了非目标的大面积轮廓

原尝试代码 #

import cv2
import numpy as np
from google.colab.patches import cv2_imshow

# Load and preprocess the image
image_path = '/content/drive/MyDrive/Colab Notebooks/SC200C_2533.tif'  # Update with your image path
image = cv2.imread(image_path, 0)  # Load the image as grayscale
image = cv2.medianBlur(image, 5)  # Apply median blur to reduce noise

# Apply image thresholding to separate the heartwood
_, thresholded = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# Find contours in the thresholded image
contours, _ = cv2.findContours(thresholded, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# Identify the largest contour (assuming it represents the heartwood)
largest_contour = max(contours, key=cv2.contourArea)

# Draw the contour on the original image
image_with_contour = cv2.drawContours(cv2.cvtColor(image, cv2.COLOR_GRAY2BGR), [largest_contour], -1, (0, 0, 255), 2)

# Display the results
cv2_imshow(image_with_contour)

改进方案 #

原代码的核心问题是直接取最大轮廓，但目标区域的面积远小于外围背景，导致误匹配。以下方案通过自适应阈值、形态学操作和轮廓形状筛选，实现鲁棒的目标提取：

改进代码 #

import cv2
import numpy as np
from google.colab.patches import cv2_imshow

# 加载并预处理图像
image_path = '/content/drive/MyDrive/Colab Notebooks/SC200C_2533.tif'
image = cv2.imread(image_path, 0)
# 中值滤波去噪
blur = cv2.medianBlur(image, 5)

# 自适应阈值：解决全局阈值无法区分局部灰度差异的问题
thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)

# 形态学操作：去除小噪点，保留目标区域
kernel = np.ones((3,3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)

# 寻找轮廓
contours, _ = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 轮廓筛选：根据面积范围和圆度筛选目标
target_contours = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    # 面积范围根据实际图像调整，这里给出参考区间
    if 500 < area < 5000:
        # 计算圆度：圆度=4π*面积/(周长²)，越接近1越圆
        perimeter = cv2.arcLength(cnt, True)
        if perimeter == 0:
            continue
        circularity = 4 * np.pi * (area / (perimeter ** 2))
        # 圆度阈值根据目标形状调整
        if circularity > 0.7:
            target_contours.append(cnt)

# 绘制目标轮廓
result = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
cv2.drawContours(result, target_contours, -1, (0, 0, 255), 2)

# 展示结果
cv2_imshow(result)

关键改进点 #

1. 自适应阈值：替代全局大津阈值，能更好应对图像局部灰度不均的情况，精准分离目标与背景
2. 形态学开运算：先腐蚀后膨胀，有效去除小噪点，避免干扰轮廓检测
3. 轮廓多维度筛选：不再仅依赖面积，结合面积范围和圆度（或其他形状特征）定位目标，适配尺寸变化的场景

内容的提问来源于stack exchange，提问作者Rungrueang Phatthanakun