如何使用OpenCV检测并去除图像中的不规则形状？

核心思路 #

你的场景核心是过滤面积过小的不规则连通区域，保留大尺寸的文本主体，再通过形态学操作优化轮廓连贯性，最终得到目标效果。

实现代码 #

import cv2
import numpy as np

# 读取图像并转为灰度图
image = cv2.imread("Image.png")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 1. 二值化（反转阈值，让文本为白色、背景为黑色）
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]

# 2. 连通区域分析：过滤小面积噪点
num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(thresh, connectivity=8)
min_area = 200  # 可根据实际图像调整阈值
mask = np.zeros(gray.shape, dtype=np.uint8)

# 保留面积大于阈值的区域（跳过背景标签0）
for i in range(1, num_labels):
    if stats[i, cv2.CC_STAT_AREA] > min_area:
        mask[labels == i] = 255

# 3. 形态学闭操作：修复文本微小断裂
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
cleaned_img = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel, iterations=1)

# 4. 生成目标边缘效果
final_edges = cv2.Canny(cleaned_img, threshold1=50, threshold2=150)

# 查看结果
cv2.imshow("清理后图像", cleaned_img)
cv2.imshow("最终边缘效果", final_edges)
cv2.waitKey(0)
cv2.destroyAllWindows()

步骤说明 #

• 二值化反转：将文本转为白色、背景为黑色，让噪点和目标区域的对比度更明确，便于后续筛选。
• 连通区域过滤：通过cv2.connectedComponentsWithStats统计每个区域的面积，直接剔除远小于文本尺寸的不规则噪点，这是解决问题的关键。
• 形态学闭操作：用小矩形核填补文本内部的微小缝隙，让文本轮廓更连贯，避免边缘断裂。
• Canny边缘检测：基于清理后的图像提取边缘，即可得到和目标图一致的清晰轮廓效果。

参数调整建议 #

• 若仍有残留噪点，适当增大min_area值；若文本被误过滤，则减小该值。
• 形态学核的尺寸和迭代次数可根据文本粗细调整，核过大可能会模糊文本边缘。

内容的提问来源于stack exchange，提问作者Erre17