如何提取二值图像中最中心区域？原代码提取最大区域不符需求

要替换原有的“提取最大区域”逻辑，转而找到最靠近图像中心的轮廓，可以通过计算每个轮廓中心与图像中心的距离来实现，具体方案如下：

实现思路 #

1. 确定图像的中心坐标
2. 对每个轮廓计算其几何中心（优先用轮廓矩，极小轮廓用外接矩形中心替代）
3. 计算每个轮廓中心到图像中心的欧氏距离
4. 筛选出距离最小的轮廓，即为目标区域

修改后的完整代码 #

# Use the hue value to convert to binary
thresh = 20
thresh, thresh_img = cv2.threshold(h, thresh, 255, cv2.THRESH_BINARY)
cv2.imshow('thresh', thresh_img)
cv2.waitKey(0) 
cv2.destroyAllWindows()                        
# Finding Contours
# Use a copy of the image since findContours alters the image

contours, _ = cv2.findContours(thresh_img.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

# 计算图像中心
img_h, img_w = thresh_img.shape[:2]
img_center = (img_w // 2, img_h // 2)

# 遍历所有轮廓，找到最中心的那个
min_distance = float('inf')
center_contour = None

for cnt in contours:
    # 用轮廓矩计算轮廓中心
    M = cv2.moments(cnt)
    if M["m00"] != 0:
        cX = int(M["m10"] / M["m00"])
        cY = int(M["m01"] / M["m00"])
    else:
        # 极小轮廓用外接矩形中心替代
        x, y, w, h = cv2.boundingRect(cnt)
        cX = x + w // 2
        cY = y + h // 2
    
    # 计算欧氏距离
    distance = ((cX - img_center[0])**2 + (cY - img_center[1])**2)**0.5
    
    # 更新最小距离和对应轮廓
    if distance < min_distance:
        min_distance = distance
        center_contour = cnt

# 最终得到的最中心区域轮廓
c = center_contour

关键代码说明 #

• 图像中心计算：直接通过图像宽高取中点，img_center = (img_w // 2, img_h // 2)
• 轮廓中心计算：轮廓矩能更精准反映几何中心，若遇到极小轮廓导致矩为0的情况，用外接矩形中心作为备选方案
• 距离筛选：通过欧氏距离量化轮廓中心与图像中心的远近，最终保留距离最小的轮廓

内容的提问来源于stack exchange，提问作者Katie Price