基于OpenCV的Python药片分割：非机器学习类边缘检测方案问询

核心思路：先色彩粗分割提纯区域，再针对性做边缘检测 #

不用直接在全图跑Canny，先把药片区域从背景里抠出来，再处理边缘就能避开背景干扰，同时解决双色药片的识别问题。

步骤1：色彩通道精准提取 #

• 用LAB色彩空间的a通道：这个通道对红/绿色差的敏感度远高于灰度图，能轻松把红色系药片（包括双色片的红色部分）和背景、黄色药片分开；
• 用HSV的H通道提取黄色药片：设定H值范围（比如20-35），直接阈值分割出黄色区域；
• 把a通道和H通道的分割结果做位或运算，得到覆盖所有药片的粗掩码。

步骤2：掩码优化（解决空洞与粘连） #

• 对粗掩码先做膨胀（椭圆核(5,5)），填补药片内部的小空洞；再做腐蚀（同尺寸椭圆核），去掉背景噪点，同时弱化药片间的粘连边界；
• 双色药片的红色+黄色区域会被完整覆盖，不会出现掩码遗漏的问题。

步骤3：掩码约束下的Canny边缘检测 #

• 把原始灰度图和优化后的掩码做位与操作，只保留药片区域的灰度信息，完全屏蔽背景；
• 对提纯后的灰度图做高斯模糊（核(5,5)，sigmaX=1.5），再用Canny检测边缘：高低阈值设为50/150（可根据实际调整），此时边缘只会出现在药片区域，不会被背景杂讯干扰，能得到清晰的药片轮廓。

步骤4：粘连药片的最终分割 #

• 用cv2.findContours提取轮廓，通过轮廓面积过滤掉小噪点（比如面积小于2000的直接丢弃，根据药片实际尺寸调整）；
• 对少量仍粘连的轮廓，用距离变换+分水岭算法（纯传统图像处理）：对掩码做距离变换，找到距离局部最大值的点作为种子，再用分水岭分割粘连区域，实现完全的个体分割。

后续区分药片 #

得到独立轮廓后，可通过轮廓的外接矩形尺寸、轮廓内的平均颜色（从原始RGB图提取），轻松区分不同类型的药片。

内容的提问来源于stack exchange，提问作者qazimodo123