如何在R或Python中半自动检测并量化叶片受损面积？

R 实现方案 #

基于你已使用的pliman包，结合imager和geometry包完成需求：

1. 单叶片识别 #

针对白色背景，通过灰度阈值分割分离叶片与背景，再检测连通区域实现单叶片识别：

library(pliman)
library(imager)
library(geometry)

# 读取图像
img <- image_read("leaf_image.jpg")

# 灰度化+二值化分割（根据图像调整阈值方向）
seg <- segment(img, threshold = "otsu", invert = TRUE)  # invert=TRUE适用于叶片比背景暗的场景
# 检测独立叶片对象（过滤小噪声）
leaf_objects <- object_detect(seg, min_area = 100)

2. 凸包补全缺失边缘 #

用geometry::convhulln生成每个叶片的凸包，补全受损缺失的边缘：

# 为每个叶片生成凸包顶点
hulls <- lapply(leaf_objects$coords, function(coord) {
  ch <- convhulln(coord[, c("x", "y")])
  coord[unique(as.vector(ch)), ]
})

# 可视化验证凸包（可选）
plot(img)
lapply(hulls, function(h) lines(h$x, h$y, col = "red", lwd = 2))

3. 面积计算（受损区+补全后总面积） #

通过HSV颜色空间提取红色受损区域，结合凸包面积计算百分比：

# 交互选择红色区域（更精准，推荐）
red_mask <- select_color(img, color = "red", plot = TRUE)

# 或手动设置HSV阈值（根据实际图像调整）
# red_mask <- color_space(img, space = "hsv") %>%
#   filter(H < 10 | H > 350, S > 0.3, V > 0.2) %>%
#   image_mask()

# 计算每个叶片的面积指标（假设1cm对应100像素，根据你的尺度调整）
pixel_per_cm <- 100
results <- lapply(seq_along(leaf_objects$coords), function(i) {
  # 原始叶片面积
  leaf_area <- object_area(leaf_objects$coords[[i]], pixel_per_cm = pixel_per_cm)
  # 凸包补全后的总面积
  hull_area <- convhulln(leaf_objects$coords[[i]][, c("x", "y")], area = TRUE)$area / (pixel_per_cm^2)
  # 叶片内的受损区域面积
  red_in_leaf <- image_crop(red_mask, leaf_objects$bbox[[i]])
  damaged_area <- sum(red_in_leaf) / (pixel_per_cm^2)
  
  data.frame(
    leaf_id = i,
    original_leaf_area_cm2 = round(leaf_area, 2),
    convex_hull_total_cm2 = round(hull_area, 2),
    damaged_area_cm2 = round(damaged_area, 2),
    damage_percentage = round((damaged_area / hull_area) * 100, 2)
  )
})

# 合并结果
results_df <- do.call(rbind, results)
print(results_df)

Python 实现方案 #

用OpenCV+SciPy实现，适合偏好Python的场景：

1. 单叶片识别 #

通过灰度阈值+轮廓检测分离独立叶片：

import cv2
import numpy as np
from scipy.spatial import ConvexHull

# 读取图像
img = cv2.imread("leaf_image.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化分割（OTSU自动阈值，反转适用于叶片暗、背景白）
_, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
# 去除噪声
kernel = np.ones((3,3), np.uint8)
thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
# 提取叶片轮廓（过滤小噪声轮廓）
contours, _ = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
leaf_contours = [cnt for cnt in contours if cv2.contourArea(cnt) > 100]

2. 凸包补全缺失边缘 #

用OpenCV内置的convexHull生成凸包：

# 生成每个叶片的凸包
hulls = [cv2.convexHull(cnt) for cnt in leaf_contours]

# 可视化验证（可选）
vis = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
cv2.drawContours(vis, leaf_contours, -1, (0,255,0), 2)
cv2.drawContours(vis, hulls, -1, (255,0,0), 2)
cv2.imshow("Leaves + Convex Hulls", vis)
cv2.waitKey(0)

3. 面积计算 #

提取红色受损区域，计算各面积指标：

# HSV空间提取红色（覆盖红色的两个HSV区间）
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
lower_red1 = np.array([0, 50, 50])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([170, 50, 50])
upper_red2 = np.array([180, 255, 255])
mask1 = cv2.inRange(hsv, lower_red1, upper_red1)
mask2 = cv2.inRange(hsv, lower_red2, upper_red2)
red_mask = cv2.bitwise_or(mask1, mask2)
red_mask = cv2.morphologyEx(red_mask, cv2.MORPH_OPEN, kernel, iterations=2)

# 尺度参数：1cm对应像素数（根据你的参考尺度调整）
pixel_per_cm = 100
pixel_per_cm2 = pixel_per_cm ** 2

# 计算每个叶片的结果
results = []
for i, (cnt, hull) in enumerate(zip(leaf_contours, hulls), 1):
    # 原始叶片面积
    leaf_area = cv2.contourArea(cnt) / pixel_per_cm2
    # 凸包总面积
    hull_area = cv2.contourArea(hull) / pixel_per_cm2
    # 生成叶片掩码，提取叶片内的受损区域
    leaf_mask = np.zeros_like(gray)
    cv2.drawContours(leaf_mask, [cnt], 0, 255, -1)
    damaged_mask = cv2.bitwise_and(red_mask, leaf_mask)
    damaged_area = cv2.countNonZero(damaged_mask) / pixel_per_cm2
    # 受损百分比
    damage_pct = round((damaged_area / hull_area) * 100, 2) if hull_area > 0 else 0
    
    results.append({
        "leaf_id": i,
        "original_leaf_area_cm2": round(leaf_area, 2),
        "convex_hull_total_cm2": round(hull_area, 2),
        "damaged_area_cm2": round(damaged_area, 2),
        "damage_percentage": damage_pct
    })

# 输出结果
for res in results:
    print(res)

关键提示 #

• 阈值参数（灰度、HSV）需根据你的实际图像微调，交互选色工具（R的select_color）能大幅提升准确率
• 若叶片与背景灰度差异小，可尝试Canny边缘检测结合轮廓提取
• 半自动场景下，可手动框选ROI（R的select_roi、Python的cv2.selectROI）缩小分析范围，减少噪声干扰

内容的提问来源于stack exchange，提问作者M Sandoval