频谱信号盲检：快速检测瀑布图中水平矩形的中心与宽度

满足0.1秒耗时的快速实现方法 #

针对你需要检测瀑布图中水平矩形的中心与宽度（不关注高度）的需求，推荐基于行投影+连通域合并的向量化处理方案，普通CPU上处理常规分辨率瀑布图（比如示例图尺寸）耗时可控制在0.05-0.1秒内，核心思路是利用numpy和OpenCV的矩阵运算替代循环，大幅提速：

步骤拆解 #

1. 二值化预处理：将瀑布图转灰度后，用OTSU自动阈值二值化，快速区分信号矩形（前景）和背景噪声，这一步耗时仅毫秒级。
2. 行方向区间提取：对每行二值图，用差分运算快速定位前景像素的连续起止点，得到每行的水平信号区间。
3. 垂直区间合并：将垂直方向上连续行的相同水平区间合并，判定为同一个矩形，最终计算每个矩形的水平中心和宽度。

代码实现（Python） #

import cv2
import numpy as np

def detect_horizontal_rects(image_path):
    # 读入灰度图
    img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE)
    # OTSU自动二值化（适配不同亮度的瀑布图）
    _, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    
    rows, cols = binary.shape
    # 对每行做差分，快速找前景区间的起止点
    padded_binary = np.pad(binary, ((0,0),(1,1)), mode='constant')
    row_diffs = np.diff(padded_binary, axis=1)
    
    rect_intervals = []
    for r in range(rows):
        # 差分结果为255的位置是前景起始点，-255是结束点
        starts = np.where(row_diffs[r] == 255)[0]
        ends = np.where(row_diffs[r] == -255)[0]
        for s, e in zip(starts, ends):
            rect_intervals.append((r, s, e))
    
    # 按水平区间分组，合并垂直方向的连续行
    interval_groups = {}
    for r, s, e in rect_intervals:
        key = (s, e)
        interval_groups.setdefault(key, []).append(r)
    
    # 生成最终结果（去重）
    unique_rects = []
    seen = set()
    for (s, e), _ in interval_groups.items():
        center_x = (s + e) / 2
        width = e - s + 1
        # 用中心和宽度做唯一标识去重
        key = (round(center_x, 2), width)
        if key not in seen:
            seen.add(key)
            unique_rects.append({"center_x": center_x, "width": width})
    
    return unique_rects

# 测试调用
if __name__ == "__main__":
    detected_rects = detect_horizontal_rects("waterfall.png")
    for idx, rect in enumerate(detected_rects, 1):
        print(f"矩形{idx}: 水平中心 = {rect['center_x']}, 宽度 = {rect['width']}")

其他替代建议 #

1. 直接基于原始频谱数据处理：瀑布图本质是频谱的时间序列（每行对应一帧频谱），跳过图像转换，直接对原始频谱数据做阈值检测+连续区间合并，不仅速度更快，还能避免图像二值化带来的误差。比如对每帧频谱找高于阈值的连续频率区间，再将多帧中重叠的区间合并为信号矩形。
2. 形态学降噪预处理：如果瀑布图存在较多噪声点，可先使用cv2.morphologyEx做水平方向的开运算（用水平结构元素），快速滤除垂直方向的噪声毛刺，不影响检测速度。
3. 峰值聚类法：对每行频谱的峰值点做聚类，将连续频率上的峰值聚为一类，再结合时间维度的连续性判定信号区间，适合带宽较窄的信号检测。

内容的提问来源于stack exchange，提问作者soroush