基于OpenCV C++的二值化图像垂直像素距离测量方法求助

核心思路 #

和ImageJ里的测量逻辑一致：在图像宽度方向选N个采样点，每个采样点对应一段横向宽度的垂直条带，检测条带内上下边缘的y坐标差，就是你要的垂直像素距离。

具体实现步骤（Python版） #

假设你处理的是灰度图（彩色图先转灰度）：

1. 设置基础参数
   先定义采样点数量、测量宽度（红线两端的横向范围），还有可选的预处理参数：

import cv2
import numpy as np

img = cv2.imread("your_image.png", 0)  # 0表示读为灰度图
sample_count = 5  # 宽度方向采集5个样本
measure_width = 10  # 测量宽度，对应红线两端的横向像素数

2. 生成采样位置
   均匀分布在图像宽度上，避免边缘：

img_width = img.shape[1]
# 计算每个采样点的x坐标，避开左右各measure_width/2的边缘
sample_xs = np.linspace(measure_width//2, img_width - measure_width//2, sample_count, dtype=int)

3. 逐个采样并计算垂直距离
   对每个采样点，取横向宽度为measure_width的垂直条带，通过垂直投影找边缘（适合高对比度图像，比Canny更简单）：

distances = []
for x in sample_xs:
    # 提取当前采样点的垂直条带（x-measure_width//2 到 x+measure_width//2）
    strip = img[:, x - measure_width//2 : x + measure_width//2]
    # 垂直方向求和，得到每一行的总亮度（如果是暗背景亮边缘，就取最小值位置）
    vertical_proj = np.sum(strip, axis=1)
    # 找上下边缘：这里假设边缘是亮度突变点，比如从暗到亮再到暗
    threshold = np.mean(vertical_proj) * 1.2  # 可根据实际图像调整
    upper_y = np.argmax(vertical_proj > threshold)
    lower_y = len(vertical_proj) - np.argmax(np.flip(vertical_proj) > threshold) - 1
    # 计算距离
    distance = lower_y - upper_y
    distances.append(distance)
    # 可选：在原图上画出测量线
    cv2.line(img, (x, upper_y), (x, lower_y), 255, 1)

4. 输出结果
   打印每个采样点的距离，或者计算平均值：

print("各采样点垂直距离：", distances)
print("平均距离：", np.mean(distances))
cv2.imwrite("measured_image.png", img)

优化建议 #

• 如果图像噪点多，先做高斯模糊：img = cv2.GaussianBlur(img, (3,3), 0)
• 边缘检测也可以用Canny：对条带做Canny后，找y方向的非零像素极值，逻辑类似
• 采样点可以自定义位置，比如手动选几个关键x坐标，不用均匀分布

内容的提问来源于stack exchange，提问作者b1063n