如何用Python和OpenCV检测图像亮斑是否符合高斯分布？

核心思路 #

要判断亮斑是否符合高斯分布，核心是提取亮斑区域的像素灰度值，再通过统计检验或可视化方法验证分布特性——直方图仅能直观展示分布形态，无法给出量化判断，因此必须结合统计工具完成验证。

实现步骤 #

1. 亮斑分割与提取

先用OpenCV将亮斑从背景中分离，常用方法包括阈值分割+轮廓检测：

• 读取图像并转为灰度图
• 用Otsu自适应阈值生成二值掩码，区分亮斑与背景
• 提取亮斑轮廓，定位每个亮斑的区域范围

2. 像素值提取与正态性检验

提取每个亮斑内的像素灰度值，通过统计检验判断是否符合高斯分布，常用两种方法：

• Shapiro-Wilk检验：适合小样本（样本量<5000），若p值>0.05，则不能拒绝“符合高斯分布”的原假设
• Kolmogorov-Smirnov(KS)检验：适合大样本，对比样本分布与理论高斯分布的差异

同时可通过Q-Q图可视化验证：若样本点基本落在直线上，则符合高斯分布。

完整代码示例 #

import cv2
import numpy as np
import scipy.stats as stats
import matplotlib.pyplot as plt

# 1. 读取图像并预处理
img = cv2.imread('your_image_path.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 2. 分割亮斑（Otsu阈值法）
_, binary_mask = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 提取亮斑轮廓
contours, _ = cv2.findContours(binary_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 3. 遍历每个亮斑做分布检验
for idx, cnt in enumerate(contours):
    # 跳过面积过小的亮斑（避免样本量不足导致检验失效）
    if cv2.contourArea(cnt) < 30:
        continue
    
    # 创建亮斑掩码，提取对应像素值
    spot_mask = np.zeros_like(gray)
    cv2.drawContours(spot_mask, [cnt], 0, 255, -1)
    spot_pixels = gray[spot_mask == 255]
    
    # Shapiro-Wilk正态性检验
    stat, p_val = stats.shapiro(spot_pixels)
    print(f"亮斑{idx+1} - Shapiro-Wilk检验：统计量={stat:.4f}, p值={p_val:.4f}")
    if p_val > 0.05:
        print(f"亮斑{idx+1}的像素值符合高斯分布\n")
    else:
        print(f"亮斑{idx+1}的像素值不符合高斯分布\n")
    
    # 生成Q-Q图辅助验证
    plt.figure(figsize=(6,4))
    stats.probplot(spot_pixels, plot=plt)
    plt.title(f"亮斑{idx+1}的Q-Q图 (p={p_val:.4f})")
    plt.show()

简便方法说明 #

无需手动拟合高斯分布，直接调用scipy.stats中的检验函数即可快速得到量化结果，结合Q-Q图的可视化，比直方图更能准确判断分布特性。若亮斑分割困难，可尝试用自适应阈值或背景减法（如cv2.createBackgroundSubtractorMOG2）优化分割效果。

注意事项 #

• 样本量过小（如像素数<30）时，统计检验结果不可靠，建议跳过这类亮斑
• 若图像存在噪声，先做高斯模糊（cv2.GaussianBlur）预处理，避免噪声干扰亮斑提取
• 不同检验方法适用场景不同：小样本优先用Shapiro-Wilk，大样本用KS检验

内容的提问来源于stack exchange，提问作者TatevAram