如何用OpenCV Python检测带噪点二值图像中的正方形/多边形？

一、先做针对性降噪预处理 #

目标和背景的噪点是干扰边缘、轮廓检测的核心原因，必须先做预处理：

• 若目标为黑色、内部含白色噪点：用闭操作（先膨胀后腐蚀）填充目标内部的小噪点，同时用中值滤波去除背景的椒盐噪点。
• 若目标为白色、内部含黑色噪点：用开操作（先腐蚀后膨胀）消除目标内部的小噪点，搭配中值滤波清理背景。

示例代码（以黑目标+内部白噪点场景为例）：

import cv2
import numpy as np

# 读入灰度二值图
img = cv2.imread("your_image.png", 0)
# 中值滤波去除背景椒盐噪点
blur_img = cv2.medianBlur(img, 5)
# 构造形态学核，闭操作填充目标内部噪点
kernel = np.ones((3, 3), np.uint8)
processed_img = cv2.morphologyEx(blur_img, cv2.MORPH_CLOSE, kernel, iterations=2)

二、轮廓检测+几何特征筛选（替代单纯边缘/直线检测） #

直接用Canny或直线检测会被噪点干扰，预处理后通过轮廓的几何特征精准筛选正方形：

1. 提取最外层轮廓：避免内部噪点形成的小轮廓干扰，用cv2.RETR_EXTERNAL模式。
2. 多边形近似：把轮廓简化为多边形，过滤不规则噪点带来的轮廓波动。
3. 多维度几何约束：只保留符合正方形特征的轮廓：
   • 近似多边形顶点数为4
   • 四条边长度误差控制在10%以内
   • 轮廓面积与外接矩形面积比值大于0.9（排除狭长四边形）

示例代码：

# 提取最外层轮廓
contours, _ = cv2.findContours(processed_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for cnt in contours:
    # 计算轮廓周长
    perimeter = cv2.arcLength(cnt, True)
    # 多边形近似（精度为周长的2%，可根据目标大小调整）
    approx = cv2.approxPolyDP(cnt, 0.02 * perimeter, True)
    
    # 筛选四边形
    if len(approx) == 4:
        # 计算四条边长度
        side_lengths = [
            np.linalg.norm(approx[i] - approx[(i+1)%4]) 
            for i in range(4)
        ]
        # 检查边长是否近似相等
        if max(side_lengths) / min(side_lengths) < 1.1:
            # 检查轮廓与外接矩形的面积比
            contour_area = cv2.contourArea(cnt)
            x, y, w, h = cv2.boundingRect(cnt)
            rect_area = w * h
            if contour_area / rect_area > 0.9:
                # 绘制检测到的正方形
                cv2.drawContours(img, [approx], 0, (0, 255, 0), 2)

cv2.imshow("Detected Squares", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

三、极端噪点场景的补充方案 #

如果噪点特别密集，预处理后仍有干扰：

• 用cv2.connectedComponentsWithStats()做连通区域分析，先根据面积、宽高比筛选出符合正方形特征的区域，再提取其轮廓。
• 反转图像后重复上述流程：针对目标与背景颜色互斥的场景，反转后可能规避噪点分布带来的检测盲区。

关键调整点 #

• 形态学操作的核大小、迭代次数：噪点越大，核尺寸（如5x5）和迭代次数可适当增加。
• 多边形近似的精度参数：大目标可适当提高比例（如0.03*perimeter），小目标则降低。
• 几何约束阈值：根据实际图像的正方形规整度，灵活调整边长误差、面积比的数值。

内容的提问来源于stack exchange，提问作者Puki Duck