如何用Python鲁棒检测低对比度黑色矩形的两条边缘位置

核心思路 #

针对Frame 1与Frame 4这类明暗、背景存在差异的场景，通过灰度归一化+自适应阈值分割统一分离黑色矩形与背景，结合形态学操作消除噪声，最终用边缘检测+直线拟合精准定位目标边缘。

具体实现步骤（以OpenCV为例） #

• 预处理：灰度转换与归一化
  先将彩色图转灰度图，再做灰度归一化消除全局明暗差异，让不同亮度的图片具备统一处理基础：

  import cv2
  import numpy as np
  
  gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
  normalized = cv2.normalize(gray, None, 0, 255, cv2.NORM_MINMAX)
  

• 自适应阈值分割
  用自适应阈值替代固定阈值，适配局部明暗变化，确保黑色矩形在不同背景下都能被准确分割：

  thresh = cv2.adaptiveThreshold(normalized, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
  

• 形态学去噪
  通过闭运算（腐蚀+膨胀）消除小噪声点，同时保留矩形边缘的完整性：

  kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
  cleaned = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)
  

• 边缘检测与直线拟合
  用Canny提取边缘后，通过霍夫直线变换拟合目标边缘，过滤掉非目标的短直线：

  edges = cv2.Canny(cleaned, 50, 150)
  lines = cv2.HoughLinesP(edges, 1, np.pi/180, threshold=50, minLineLength=100, maxLineGap=10)
  

  最后从拟合结果中筛选垂直方向的两条边缘，提取它们的x坐标，y坐标可覆盖矩形的上下范围。

适配差异场景的关键细节 #

• 归一化操作能拉平Frame 1（亮背景）与Frame 4（暗背景）的全局亮度差，让阈值分割逻辑通用。
• 若矩形存在轻微倾斜，可先通过轮廓检测获取旋转角度，做仿射变换矫正后再检测边缘，进一步提升鲁棒性。

内容的提问来源于stack exchange，提问作者Matheus E. Knop