如何用OpenCV在小鼠X光图像中提取胸廓轮廓？

当然可以仅提取胸廓轮廓，结合你现有的代码，我们可以通过轮廓筛选+掩码限制+自适应阈值的组合方式实现，以下是具体调整方案：

关键思路 #

你的当前代码提取的是整个小鼠身体轮廓，要分离胸廓，需要先锁定身体区域避免背景干扰，再利用胸廓（骨骼区域）与身体其他软组织的灰度差异，精准提取胸廓轮廓。

调整后的完整代码 #

import cv2 as cv
import numpy as np

# 读取图像并转为灰度图
img = cv.imread("sample.jpg")
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 第一步：提取小鼠身体轮廓，生成身体掩码
gray_gauss = cv.GaussianBlur(gray, (9, 9), 0)
# 反转阈值，因为X光中身体区域灰度更低（偏暗）
ret, thresh_body = cv.threshold(gray_gauss, 130, 255, cv.THRESH_BINARY_INV)
# 只提取最外层轮廓，找到面积最大的身体轮廓
contours, _ = cv.findContours(thresh_body, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
max_body_contour = max(contours, key=cv.contourArea)
# 创建身体掩码，仅保留身体区域
body_mask = np.zeros_like(gray)
cv.drawContours(body_mask, [max_body_contour], -1, 255, thickness=cv.FILLED)

# 第二步：在身体区域内提取胸廓
# 用掩码过滤背景，只保留身体部分的灰度图
body_gray = cv.bitwise_and(gray, gray, mask=body_mask)
# 自适应阈值分离胸廓（骨骼区域灰度更低）
chest_thresh = cv.adaptiveThreshold(body_gray, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY, 11, 2)
# 形态学闭运算填补胸廓内部小空隙，让轮廓更完整
kernel = np.ones((5, 5), np.uint8)
chest_thresh = cv.morphologyEx(chest_thresh, cv.MORPH_CLOSE, kernel)

# 第三步：提取胸廓轮廓并绘制
chest_contours, _ = cv.findContours(chest_thresh, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
# 筛选面积最大的轮廓作为胸廓
target_chest_contour = max(chest_contours, key=cv.contourArea)
# 在原图上绘制红色胸廓轮廓
cv.drawContours(img, [target_chest_contour], -1, (0, 0, 255), 2)

# 显示结果
cv.imshow("Chest Contour", img)
cv.waitKey(0)
cv.destroyAllWindows()

# 计算胸廓面积（可选）
chest_area = cv.contourArea(target_chest_contour)
print(f"胸廓面积：{chest_area} 像素")

注意事项 #

• 如果你的图像灰度特征和示例有差异，可以调整自适应阈值的块大小（比如把11改成15）或常数项（把2改成3）
• 形态学核的大小可以根据图像分辨率调整，分辨率高就适当调大
• 固定阈值的数值（130）也可以根据实际图像微调，确保能准确提取身体轮廓

内容的提问来源于stack exchange，提问作者Red Parrot