如何用OpenCV检测图像中被白色区域包围的黑色区域轮廓

针对你提供的预处理后图像，要检测被上下白色区域（顶部白色可能不连通）包围的黑色区域，可采用以下两种实用方案：

方案一：基于连通分量分析 #

利用连通分量识别上下白色区域，再提取中间黑色区域：

1. 提取白色连通域
   用OpenCV的连通分量分析工具，找出图像中所有白色区域的位置与属性：

   import cv2
   import numpy as np
   
   # 读入灰度图并确保二值化
   img = cv2.imread('your_image.jpg', cv2.IMREAD_GRAYSCALE)
   _, binary = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
   
   # 分析白色连通域（connectivity=8表示8邻域连通）
   num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats(binary, connectivity=8)
   

2. 筛选上下白色区域
   根据连通域的垂直位置，将顶部和底部的白色区域分类：

   h, w = binary.shape
   upper_threshold = h // 3  # 顶部区域阈值，可根据实际调整
   lower_threshold = h * 2 // 3  # 底部区域阈值
   
   upper_labels = []
   lower_labels = []
   for i in range(1, num_labels):
       y = stats[i][1]  # 连通域外接矩形的顶部y坐标
       height = stats[i][3]
       # 筛选顶部白色区域
       if y + height < upper_threshold:
           upper_labels.append(i)
       # 筛选底部白色区域
       if y > lower_threshold:
           lower_labels.append(i)
   

3. 生成掩码并提取黑色区域
   合并上下白色区域生成掩码，再提取中间的黑色区域：

   # 创建上下白色区域的掩码
   upper_mask = np.zeros_like(binary)
   for label in upper_labels:
       upper_mask[labels == label] = 255
   
   lower_mask = np.zeros_like(binary)
   for label in lower_labels:
       lower_mask[labels == label] = 255
   
   combined_mask = cv2.bitwise_or(upper_mask, lower_mask)
   
   # 提取中间黑色区域
   inverted = cv2.bitwise_not(binary)
   black_region = cv2.bitwise_and(inverted, cv2.bitwise_not(combined_mask))
   

4. 检测黑色区域轮廓
   提取目标区域的轮廓并可视化：

   contours, _ = cv2.findContours(black_region, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
   # 在原图上绘制绿色轮廓
   result = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
   cv2.drawContours(result, contours, -1, (0, 255, 0), 2)
   

方案二：基于水平投影分析 #

通过统计每行的白色像素占比，快速定位上下白色区域的边界，适合顶部白色不连通的场景：

1. 计算水平投影
   统计图像每行的白色像素数量：

   row_sum = np.sum(binary == 255, axis=1)
   

2. 定位上下边界
   找到顶部白色区域的最低行，以及底部白色区域的最高行：

   # 找顶部白色区域的底部边界
   upper_bottom = np.max(np.where(row_sum > 0)[0][np.where(row_sum > 0)[0] < h//3])
   # 找底部白色区域的顶部边界
   lower_top = np.min(np.where(row_sum > 0)[0][np.where(row_sum > 0)[0] > h*2//3])
   

3. 提取中间黑色区域
   直接截取上下边界之间的区域，再检测轮廓：

   # 截取中间区域
   middle_region = binary[upper_bottom:lower_top, :]
   # 反向后找黑色区域轮廓（此时黑色已转为白色）
   inverted_middle = cv2.bitwise_not(middle_region)
   contours, _ = cv2.findContours(inverted_middle, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
   

注意事项 #

• 若图像存在噪声小斑点，可先执行形态学开操作去除：binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, np.ones((3,3), np.uint8))
• 方案二对顶部白色不连通的场景鲁棒性更强，无需关心白色块的数量；方案一更适合需要精确区分上下白色区域的场景。

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