水果（苹果/番石榴等）目标计数代码修复及通用实现需求

一、语法错误修复 #

原代码存在3处语法问题，修复方案如下：

1. 参数注释语法错误
   原代码中p1 = 10:这类行混淆了赋值语法与注释，应改为纯注释形式：

# 参数说明
# p1 = 10: 用于计算图像权重的像素范围
# p2 = 10: 用于计算加权平均值
# p3 = 7: 亮度通道的滤镜强度
# p4 = 15: 颜色通道的滤镜强度

2. 中文全角引号错误
   cv2.imwrite(‘RGB_image.jpg’,rgb_image)和cv2.imwrite(‘H.jpg’,h)中的中文引号需替换为英文半角引号：

cv2.imwrite('RGB_image.jpg', rgb_image)
# ...
cv2.imwrite('H.jpg', h)

3. 多余括号错误
   new_image = (cv2.medianBlur(rgb_image,5)多了左括号，修正为：

new_image = cv2.medianBlur(rgb_image, 5)

二、多水果计数功能实现 #

针对苹果、番石榴、橙子、醋栗、柠檬、番茄，通过设置不同HSV颜色区间区分目标，修改后完整代码如下：

import numpy as np
import imutils
import cv2

# 定义各水果的HSV颜色区间（可根据样本微调）
fruit_ranges = {
    "苹果": [(0, 100, 100), (10, 255, 255), (160, 100, 100), (180, 255, 255)],  # 红色双区间
    "番石榴": [(35, 40, 40), (85, 255, 255)],  # 绿色区间
    "橙子": [(10, 100, 100), (25, 255, 255)],  # 橙色区间
    "醋栗": [(25, 50, 50), (35, 255, 255)],  # 黄绿色区间
    "柠檬": [(50, 50, 50), (70, 255, 255)],  # 黄色区间
    "番茄": [(0, 120, 70), (10, 255, 255), (170, 120, 70), (180, 255, 255)]  # 红色双区间
}

def count_fruits(image_path, fruit_name):
    # 读取图像
    image = cv2.imread(image_path)
    if image is None:
        print(f"无法读取图像: {image_path}")
        return

    # 去噪处理
    dst = cv2.fastNlMeansDenoisingColored(image, None, 10, 10, 7, 15)
    # 转RGB并模糊
    rgb_image = cv2.cvtColor(dst, cv2.COLOR_BGR2RGB)
    new_image = cv2.medianBlur(rgb_image, 5)
    # 转HSV空间
    hsv_image = cv2.cvtColor(new_image, cv2.COLOR_RGB2HSV)

    # 根据水果名称生成掩码
    ranges = fruit_ranges[fruit_name]
    mask = np.zeros(hsv_image.shape[:2], dtype=np.uint8)
    for i in range(0, len(ranges), 2):
        lower = np.array(ranges[i], dtype=np.uint8)
        upper = np.array(ranges[i+1], dtype=np.uint8)
        temp_mask = cv2.inRange(hsv_image, lower, upper)
        mask = cv2.bitwise_or(mask, temp_mask)

    # 形态学优化掩码
    kernel = np.ones((5,5), dtype="uint8")
    bilateral = cv2.bilateralFilter(mask, 9, 75, 75)
    erosion = cv2.erode(bilateral, kernel, iterations=2)
    dilation = cv2.dilate(erosion, kernel, iterations=2)

    # 查找有效轮廓并计数
    cnts = cv2.findContours(dilation.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    cnts = imutils.grab_contours(cnts)
    valid_cnts = [c for c in cnts if cv2.contourArea(c) > 100]  # 过滤噪点轮廓
    count = len(valid_cnts)

    # 标记结果并保存
    for (i, c) in enumerate(valid_cnts):
        ((x, y), _) = cv2.minEnclosingCircle(c)
        cv2.putText(image, f"#{i+1}", (int(x)-10, int(y)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0,0,255), 2)
        cv2.drawContours(image, [c], -1, (0,255,0), 2)
    cv2.putText(image, f"{fruit_name} 数量: {count}", (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 1, (0,0,255), 2)

    cv2.imwrite(f"{fruit_name}_count_result.jpg", image)
    cv2.imshow(f"{fruit_name} 计数结果", image)
    cv2.waitKey(0)
    cv2.destroyAllWindows()
    print(f"[INFO] {fruit_name} 数量: {count}")

# 示例：处理苹果样本（替换路径和水果名可处理其他样本）
count_fruits("49.jpg", "苹果")
# 其他调用示例：
# count_fruits("guava_sample.jpg", "番石榴")
# count_fruits("orange_sample.jpg", "橙子")

关键说明 #

• HSV区间微调：不同光照、拍摄环境下水果颜色会有差异，可通过OpenCV的HSV调色工具调整区间值，提升掩码准确性。
• 轮廓过滤：通过面积阈值排除噪点干扰，可根据样本大小调整100这个数值。
• 批量处理：可通过循环遍历你的1-6号苹果样本，或其他水果数据集，实现批量计数。

内容的提问来源于stack exchange，提问作者Manoj Prasad