如何用OpenCV检测气泡并过滤深色污渍干扰？

核心思路：利用梯度渐变差异区分目标 #

气泡阴影的边缘是光影形成的软过渡渐变，而深色污渍边缘多为锐利突变，基于此可以构建以下筛选策略：

1. 梯度特征量化过滤 #

• 计算区域梯度分布：用cv2.Sobel()提取x、y方向梯度，合成梯度幅值图。气泡区域的梯度幅值呈现从中心到边缘的缓慢变化，污渍则会出现局部高梯度的突变点。
• 梯度方差筛选：对每个轮廓包围的ROI计算梯度幅值的方差。气泡区域的梯度方差较小（渐变均匀），污渍的梯度方差显著更高（边缘锐利导致的梯度波动大），设定阈值即可过滤大部分误检。

2. 补充多维度特征二次校验 #

• 灰度分布分析：气泡阴影的灰度呈中心暗、边缘亮的渐变分布，用cv2.meanStdDev()计算ROI的灰度标准差，气泡的标准差通常大于均匀灰度的污渍。
• 轮廓形态校验：计算轮廓的圆度（公式：4π*面积/(周长²)），气泡的圆度接近1，不规则的污渍圆度较低，可作为辅助过滤条件。

3. 优化基础检测流程 #

• 颜色空间预处理：将图像转为HSV/Lab空间，提取亮度通道（V/L通道）进行后续处理，减少污渍颜色对二值化的干扰。
• 自适应阈值优化：使用cv2.adaptiveThreshold()的ADAPTIVE_THRESH_GAUSSIAN_C模式，增大块大小，降低小区域污渍被误判为前景的概率。
• 动态Canny阈值：根据ROI的平均灰度动态调整Canny的高低阈值，避免污渍的锐利边缘被误识别为气泡阴影边缘。

代码示例（梯度方差过滤） #

import cv2
import numpy as np

# 假设已通过前期检测得到轮廓列表contours，gray为灰度图
filtered_contours = []
# 需根据实际样本调整阈值
grad_var_threshold = 500

for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    roi = gray[y:y+h, x:x+w]
    # 计算梯度幅值
    sobelx = cv2.Sobel(roi, cv2.CV_64F, 1, 0, ksize=3)
    sobely = cv2.Sobel(roi, cv2.CV_64F, 0, 1, ksize=3)
    grad_mag = np.sqrt(sobelx ** 2 + sobely ** 2)
    # 计算梯度方差
    grad_var = np.var(grad_mag)
    if grad_var < grad_var_threshold:
        filtered_contours.append(cnt)

# 对筛选后的轮廓计算最小外接圆得到气泡尺寸
for cnt in filtered_contours:
    (x, y), radius = cv2.minEnclosingCircle(cnt)
    center = (int(x), int(y))
    radius = int(radius)
    # 后续统计数量与尺寸逻辑

内容的提问来源于stack exchange，提问作者Audra Addison