不均匀光照下液滴边缘检测：寻求适配的背景减除方法

针对你提供的液滴图像（存在明显光照不均、背景明暗分布不均的问题），传统背景减法无法有效区分液滴与背景，这里提供两种可行的改进方案：

方案一：光照校正 + 自适应阈值分割 #

先对图像做光照补偿，消除背景光照不均的影响，再用自适应阈值分割提取液滴区域，最后提取轮廓。

修改后的代码如下：

Frame = cv2.rotate(Frame, cv2.ROTATE_90_CLOCKWISE)
# 灰度转换与高斯模糊
GrayFrame = cv2.cvtColor(Frame, cv2.COLOR_BGR2GRAY)
GrayFrame = cv2.GaussianBlur(GrayFrame, (5, 5), 0)

# 光照校正：生成背景光照图（大核高斯模糊模拟光照分布）
background_light = cv2.GaussianBlur(GrayFrame, (101, 101), 0)
# 原图除以光照图并缩放，消除光照差异
corrected_frame = cv2.divide(GrayFrame, background_light, scale=255)

# 自适应阈值分割（针对局部区域调整阈值）
thresh = cv2.adaptiveThreshold(corrected_frame, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                               cv2.THRESH_BINARY_INV, 11, 2)

# 形态学开运算去除噪声
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
cleaned = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)

# 查找外轮廓
cnts, heir = cv2.findContours(cleaned.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 可视化结果
cv2.imshow('校正后图像', corrected_frame)
cv2.imshow('阈值分割结果', thresh)
cv2.imshow('去噪后图像', cleaned)

方案二：直接使用Canny边缘检测 #

如果液滴边缘足够清晰，可跳过阈值分割，直接用Canny边缘检测提取边缘后再找轮廓：

Frame = cv2.rotate(Frame, cv2.ROTATE_90_CLOCKWISE)
GrayFrame = cv2.cvtColor(Frame, cv2.COLOR_BGR2GRAY)
GrayFrame = cv2.GaussianBlur(GrayFrame, (5, 5), 0)

# Canny边缘检测（可根据实际图像调整阈值）
edges = cv2.Canny(GrayFrame, 30, 150)

# 形态学膨胀增强边缘连续性
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))
edges = cv2.dilate(edges, kernel, iterations=1)

# 查找外轮廓
cnts, heir = cv2.findContours(edges.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

cv2.imshow('边缘检测结果', edges)

方案说明 #

• 方案一通过模拟背景光照分布，消除全局光照不均的影响，让液滴区域对比度更均匀，自适应阈值能精准分割目标；
• 方案二利用Canny边缘检测对局部光照变化的鲁棒性，直接提取液滴边缘，适合边缘清晰的场景。

内容的提问来源于stack exchange，提问作者skilfuel