基于OpenCV的图像缺陷检测：如何用轮廓标记缺陷区域？

基于你已完成的预处理步骤，接下来可以通过阈值分割-轮廓提取-矩形高亮的流程实现缺陷区域标注，具体操作如下：

1. 阈值分割（突出缺陷区域） #

模糊后的灰度图需要通过阈值处理转成二值图像，让缺陷从背景中分离出来。针对不同缺陷类型，可选择两种方式：

• 固定阈值：适合背景与缺陷对比度稳定的场景
• 自适应阈值：适合光照不均、背景灰度波动的场景

示例代码：

# 方式1：固定阈值（可根据实际图像调整阈值参数127、255）
_, binary_img = cv2.threshold(blur_image, 127, 255, cv2.THRESH_BINARY_INV)

# 方式2：自适应阈值（更适合复杂光照场景）
binary_img = cv2.adaptiveThreshold(blur_image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                                   cv2.THRESH_BINARY_INV, 11, 2)

2. 提取轮廓 #

使用OpenCV的findContours函数提取二值图中的轮廓，优先检测最外层轮廓减少冗余：

contours, _ = cv2.findContours(binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

3. 筛选有效轮廓并绘制高亮矩形 #

过滤掉面积过小的噪声轮廓，给真实缺陷区域绘制红色矩形：

# 复制原图用于绘制（避免修改原始输入图）
output_img = input_img.copy()

# 遍历轮廓，筛选并绘制矩形
for cnt in contours:
    # 过滤小噪声（面积阈值可根据图像尺寸调整）
    if cv2.contourArea(cnt) < 50:
        continue
    # 获取轮廓的外接矩形坐标
    x, y, w, h = cv2.boundingRect(cnt)
    # 绘制红色矩形（线条宽度设为2）
    cv2.rectangle(output_img, (x, y), (x+w, y+h), (0, 0, 255), 2)

4. 查看或保存结果 #

完成绘制后可显示或保存标注好的图像：

# 显示结果
cv2.imshow("Defect Detection Result", output_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

# 保存结果到本地
cv2.imwrite("defect_result.png", output_img)

调整建议 #

• 阈值参数、面积筛选阈值需要根据你的实际图像微调，比如颜色缺陷可能需要把THRESH_BINARY_INV改为THRESH_BINARY
• 对于细长的裂纹/划痕，可先通过cv2.dilate（膨胀）操作增强轮廓后再提取，避免轮廓断裂

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