OpenCV环形ROI轮廓提取问题：阈值图像无法捕获轮廓的解决方法

我写了一个环形ROI选择函数，想在这个区域里提取轮廓，但轮廓像素和零值相邻，而且掩码区域外的像素都是零，导致阈值化后的图像没法捕获到轮廓。想问问当前函数如果能用的话，该怎么正确定义环形ROI或者提取轮廓？

def annulusROI(img, center, innerR, outerR):
    """
    img: Image matrix
    center: ROI center point [px] (x,y tuple)
    innerR: ROI inner radius [px]
    outerR: ROI outer radius [px]
    mode: Mask selection for white (255, 255, 255), for black (0, 0, 0) [BGR tuple]

    return roi matrix and left-top start point coordinate
    """
    outRoi, rectC = rectangleROI(img, center, outerR*2, outerR*2)
    mask1 = np.zeros_like(outRoi)
    mask2 = np.zeros_like(outRoi)
    mask1 = cv2.circle(mask1, (round(outerR),round(outerR)), innerR, (255, 255, 255), -1)
    mask2 = cv2.circle(mask2, (round(outerR),round(outerR)), outerR, (255, 255, 255), -1)
    mask = cv2.subtract(mask2, mask1)
    roi = cv2.bitwise_and(outRoi, mask)

    return roi, (center[0]-outerR, center[1]-innerR)

相关图像 #

问题分析 #

当前函数返回的ROI中，环形区域外的像素被置为0，和轮廓边缘的像素值直接相邻，阈值化时无法区分轮廓和背景零值，导致轮廓丢失。下面是两种解决思路：

一、优化环形ROI定义（保留原函数逻辑） #

1. 扩大ROI边界：避免环形掩码边缘紧贴矩形ROI边界，减少零值干扰；
2. 简化掩码生成：直接生成单通道环形掩码，再根据图像通道数扩展，提升效率。

修正后的代码：

def annulusROI(img, center, innerR, outerR):
    """
    img: 图像矩阵
    center: ROI中心点 [像素] (x,y 元组)
    innerR: ROI内半径 [像素]
    outerR: ROI外半径 [像素]
    返回: roi矩阵和左上角起始坐标
    """
    # 扩大ROI尺寸，避免边缘零值和轮廓重叠
    roi_size = outerR * 2 + 2
    outRoi, rectC = rectangleROI(img, center, roi_size, roi_size)
    mask_center = (round(roi_size / 2), round(roi_size / 2))
    
    # 直接生成单通道环形掩码
    mask = np.zeros(outRoi.shape[:2], dtype=np.uint8)
    cv2.circle(mask, mask_center, outerR, 255, -1)
    cv2.circle(mask, mask_center, innerR, 0, -1)
    
    # 彩色图像则扩展掩码到3通道
    if len(outRoi.shape) == 3:
        mask = cv2.cvtColor(mask, cv2.COLOR_GRAY2BGR)
    
    roi = cv2.bitwise_and(outRoi, mask)
    # 修正左上角起始坐标
    start_x = center[0] - (roi_size // 2)
    start_y = center[1] - (roi_size // 2)
    return roi, (start_x, start_y)

二、调整轮廓提取流程 #

1. 先掩码再阈值化

不在ROI内做阈值化，而是先给整幅图像的非ROI区域设置一个中间值（比如127），让轮廓和背景产生明显差异，再阈值化提取轮廓：

# 获取图像尺寸
height, width = img.shape[:2]
# 生成整幅图的环形掩码
mask = np.zeros((height, width), dtype=np.uint8)
cv2.circle(mask, center, outerR, 255, -1)
cv2.circle(mask, center, innerR, 0, -1)

# 非ROI区域设为中间值127
masked_img = img.copy()
masked_img[mask == 0] = 127

# 自动阈值化（OTSU）
_, thresh = cv2.threshold(masked_img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

# 提取轮廓并过滤出ROI内的部分
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
filtered_contours = [cnt for cnt in contours if cv2.pointPolygonTest(mask, tuple(cnt[0][0]), False) > 0]

2. 用边缘检测替代阈值化

先提取ROI，再用Canny边缘检测识别轮廓，避开零值背景的干扰：

# 获取优化后的ROI
roi, start_coord = annulusROI(img, center, innerR, outerR)
# 转为灰度图（彩色图像需转换）
gray_roi = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY) if len(roi.shape) == 3 else roi
# Canny边缘检测
edges = cv2.Canny(gray_roi, 50, 150)
# 提取轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

内容的提问来源于stack exchange，提问作者Ali Ünsal