数组点分组实现整组操作 OpenCV检测二值图白点遮挡

问题背景 #

我目前正在开发一款程序，可读取二值图像，自动识别图中是否存在被遮挡的白点：即程序预设应为白色的点位，实际在图像中呈现为黑色，采集场景为LED光线透过孔洞形成白色光点，相关参考图如下：

• 二值化处理后示例图：
• 原始采集图：

当前实现代码 #

现有代码仅能在理想无干扰场景下生效，实现如下：

import cv2
import numpy as np

img = cv2.imread('bwimg.jpg')
pixels = np.asarray(img)
pixels = np.nonzero(pixels)
xpixels = pixels[1] # x coordinate of each white pixel
ypixels = pixels[0] # y coordinate of each white pixel

# example estimations for the center coordinates of some of the points (can be calibrated further, just an example)
xcoords = [60, 160, 255, 350, 445]
ycoords = [410, 405, 400, 395, 390]

for coo in range(0,4):
   indexList = np.ravel(np.asarray(xpixels == xcoords[coo]).nonzero())
   for y in range(0,4):
      for x in indexList:
         if ypixels[x] == ycoords[y]:
            print(x, xcoords[coo], ycoords[y])

优化需求 #

现有方案仅判定白点中心单个像素的颜色，鲁棒性极差，需要在以下异常场景下保持检测有效性：

• 白点仅被半遮挡
• 碎屑落在白点上导致少量像素被误判为黑色

预设优化思路：不再仅判定白点中心单个像素的颜色，而是以预设的白点中心坐标为圆心，划定固定半径的检测区域，若区域内白色像素占比超过50%，则判定该白点未被遮挡。已知可借助OpenCV或scipy实现该类数组点分组、整组区域判定的逻辑，求具体实现方法。

附注：我不常于平台发帖，不确定添加scipy标签是否符合板块规范，若不合适我会及时移除该标签。

实现方案 #

直接用OpenCV的掩码操作即可实现圆形区域的像素统计，不需要额外依赖scipy，计算效率高且逻辑稳定：

1. 读取图像时直接转单通道灰度图，避免三通道冗余计算
2. 针对每个预设白点坐标生成对应尺寸的圆形掩码，半径可根据实际白点大小标定（建议取白点实际半径的80%~90%）
3. 用掩码截取对应检测区域，统计白色像素（值为255）占掩码总有效像素的比例，和设定阈值做对比即可输出判定结果

可直接运行的优化后代码 #

import cv2
import numpy as np

# 可根据实际场景标定的参数
DETECT_RADIUS = 8  # 检测区域圆形半径，匹配实际白点大小调整
WHITE_THRESHOLD = 0.5  # 白色像素占比阈值，超过则判定为正常未遮挡
EXPECTED_POINTS = list(zip([60, 160, 255, 350, 445], [410, 405, 400, 395, 390]))  # 预设白点中心坐标格式(x,y)

# 读取图像 直接加载为单通道灰度图
img = cv2.imread('bwimg.jpg', cv2.IMREAD_GRAYSCALE)
h, w = img.shape

# 可选：针对碎屑噪点做小半径形态学开运算，进一步提升鲁棒性
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)

for idx, (cx, cy) in enumerate(EXPECTED_POINTS):
    # 边界校验 避免预设坐标越界导致报错
    if cx - DETECT_RADIUS < 0 or cx + DETECT_RADIUS >= w or cy - DETECT_RADIUS <0 or cy + DETECT_RADIUS >=h:
        print(f"点位{idx} 坐标({cx},{cy})超出图像边界，判定为异常")
        continue
    # 生成圆形检测区域掩码
    mask = np.zeros((h,w), dtype=np.uint8)
    cv2.circle(mask, (cx, cy), DETECT_RADIUS, 255, thickness=-1)
    # 统计区域内总有效像素、白色像素数量
    total_pixels = cv2.countNonZero(mask)
    target_area = cv2.bitwise_and(img, img, mask=mask)
    white_pixels = cv2.countNonZero(target_area)
    white_ratio = white_pixels / total_pixels
    
    if white_ratio >= WHITE_THRESHOLD:
        print(f"点位{idx} 坐标({cx},{cy}) 正常，白色像素占比{white_ratio:.1%}")
    else:
        print(f"点位{idx} 坐标({cx},{cy}) 被遮挡，白色像素占比{white_ratio:.1%}")

调优提示 #

• 检测半径不要设置过大，避免把相邻白点的像素纳入当前检测区域造成误判
• 如果预设坐标存在标定偏移，可以先对每个预设点周围做小范围质心计算，将检测圆心对齐到实际白点的质心后再做占比统计，可进一步降低标定误差的影响
• 阈值可根据现场遮挡的实际情况调整，半遮挡场景较多可适当下调阈值到0.3_{0.4，要求严格可上调到0.6}0.7

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