基于Python+OpenCV计算苹果淀粉分解率的技术问询

需求背景 #

我是仁果类产业科研人员，在苹果成熟度试验中需要测定淀粉分解率：将苹果对半切开后用碘液处理，淀粉遇碘变黑，白色区域是已转化为糖的淀粉。之前靠对照淀粉分解图表估算百分比，现在想用Python实现自动化计算——先识别苹果边界，再统计黑、白像素数量并转化为百分比。以下是我写的部分代码，求完整实现方案。

已完成的苹果轮廓识别代码 #

import cv2

# 读取原始图像
img = cv2.imread('C:\Users\marnes\Downloads\starch-staining-patterns-in-Honeycrisp-applesx.png')

# 转换为灰度图
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 高斯模糊优化边缘检测效果
img_blur = cv2.GaussianBlur(img_gray, (3, 3), 0)

# 显示中间结果
cv2.imshow('Original', img)
cv2.waitKey(0)
cv2.imshow('img_gray', img_gray)
cv2.waitKey(0)
cv2.imshow('img_blur', img_blur)
cv2.waitKey(0)

# Canny边缘检测
edges = cv2.Canny(image=img_blur, threshold1=100, threshold2=200)

# 显示边缘检测结果
cv2.imshow('Canny Edge Detection', edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

已尝试的黑白像素分割代码 #

import cv2
# 读取图像
image = cv2.imread('C:\Users\marnes\Downloads\starch-staining-patterns-in-Honeycrisp-applesx.png')
# 转换为灰度图
img_gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 二值化阈值处理
ret, thresh = cv2.threshold(img_gray, 150, 255, cv2.THRESH_BINARY)
# 显示二值化图像
cv2.imshow('Binary image', thresh)
cv2.waitKey(0)
cv2.imwrite('image_thres1.jpg', thresh)
cv2.destroyAllWindows()
# 检测轮廓（保留所有轮廓点）
contours, hierarchy = cv2.findContours(image=thresh, mode=cv2.RETR_TREE, method=cv2.CHAIN_APPROX_NONE)
# 在原图上绘制轮廓
image_copy = image.copy()
cv2.drawContours(image=image_copy, contours=contours, contourIdx=-1, color=(0, 50, 0), thickness=2, lineType=cv2.LINE_AA)
# 显示轮廓绘制结果
cv2.imshow('None approximation', image_copy)
cv2.waitKey(0)
cv2.imwrite('contours_none_image1.jpg', image_copy)
cv2.destroyAllWindows()

完整实现方案 #

核心思路 #

1. 精准识别苹果区域，排除背景干扰
2. 在苹果区域内区分黑（未分解淀粉）、白（已分解淀粉）像素
3. 计算两类像素占比，得到淀粉分解率

完整代码 #

import cv2
import numpy as np

def calculate_starch_decomposition_rate(image_path):
    # 1. 读取图像并预处理
    img = cv2.imread(image_path)
    if img is None:
        print("无法读取图像，请检查路径是否正确")
        return None
    
    img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    img_blur = cv2.GaussianBlur(img_gray, (5, 5), 0)  # 增大模糊核减少噪声干扰

    # 2. 识别苹果轮廓，提取苹果区域掩码
    # Canny边缘检测
    edges = cv2.Canny(img_blur, threshold1=50, threshold2=150)
    # 形态学闭运算，填补边缘间隙
    kernel = np.ones((5,5), np.uint8)
    edges_closed = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel)
    # 查找轮廓，筛选最大轮廓（苹果区域）
    contours, _ = cv2.findContours(edges_closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    if not contours:
        print("未检测到苹果轮廓")
        return None
    
    # 取面积最大的轮廓作为苹果区域
    apple_contour = max(contours, key=cv2.contourArea)
    # 创建苹果区域掩码
    mask = np.zeros_like(img_gray)
    cv2.drawContours(mask, [apple_contour], -1, 255, thickness=cv2.FILLED)

    # 3. 分割苹果区域内的黑白像素
    # 提取苹果区域内的灰度图
    masked_gray = cv2.bitwise_and(img_gray, img_gray, mask=mask)
    # 自适应二值化，适配光照不均场景
    thresh = cv2.adaptiveThreshold(masked_gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                                   cv2.THRESH_BINARY_INV, 11, 2)
    # 用掩码过滤，确保只统计苹果区域内的像素
    thresh_masked = cv2.bitwise_and(thresh, thresh, mask=mask)

    # 4. 统计像素数量并计算百分比
    total_apple_pixels = cv2.countNonZero(mask)
    black_pixels = cv2.countNonZero(thresh_masked)  # 黑色区域（未分解淀粉）像素数
    white_pixels = total_apple_pixels - black_pixels  # 白色区域（已分解淀粉）像素数

    starch_decomposition_rate = (white_pixels / total_apple_pixels) * 100
    starch_remaining_rate = (black_pixels / total_apple_pixels) * 100

    # 5. 可视化结果（可选）
    result_img = img.copy()
    cv2.drawContours(result_img, [apple_contour], -1, (0, 255, 0), 2)
    cv2.putText(result_img, f"淀粉分解率: {starch_decomposition_rate:.2f}%", (20, 40), 
                cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
    cv2.putText(result_img, f"剩余淀粉占比: {starch_remaining_rate:.2f}%", (20, 80), 
                cv2.FONT_HERSHEY_SIMPLEX, 1, (0, 0, 255), 2)
    
    cv2.imshow('计算结果', result_img)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

    return starch_decomposition_rate, starch_remaining_rate

# 调用函数，替换为你的图像路径
image_path = 'C:\Users\marnes\Downloads\starch-staining-patterns-in-Honeycrisp-applesx.png'
decomposition_rate, remaining_rate = calculate_starch_decomposition_rate(image_path)
if decomposition_rate is not None:
    print(f"苹果淀粉分解率: {decomposition_rate:.2f}%")
    print(f"剩余淀粉占比: {remaining_rate:.2f}%")

代码说明 #

• 轮廓优化：用形态学闭运算填补边缘间隙，确保苹果轮廓完整；筛选最大轮廓排除背景干扰
• 自适应阈值：相比固定阈值，更能应对图像光照不均的情况，精准区分黑白区域
• 掩码过滤：全程用苹果区域掩码限制统计范围，避免背景像素干扰计算结果
• 可视化：输出标注结果的图像，方便直观验证计算准确性

内容的提问来源于stack exchange，提问作者marnes