图像处理：如何统计二值图像中目标的凸区域数量？

直接基于OpenCV的轮廓分析能力即可实现，不需要复杂的自定义算法，落地步骤如下：

• 图像预处理
  先对输入二值图做形态学开运算，消除孤立噪点、边缘细小毛刺，避免将细碎干扰误判为独立区域，参考代码：

  import cv2
  import numpy as np
  
  # 读入灰度二值图
  bin_img = cv2.imread("target.png", 0)
  # 3*3卷积核做开运算
  kernel = np.ones((3, 3), np.uint8)
  cleaned_img = cv2.morphologyEx(bin_img, cv2.MORPH_OPEN, kernel)
  

• 提取独立轮廓
  调用轮廓提取接口获取所有独立连通域的轮廓，如果只需要统计最外层不嵌套的凸区域，用外轮廓检索模式即可；如果需要统计嵌套在轮廓内部的凸区域，切换为层级检索模式：

  # RETR_EXTERNAL仅提取最外层轮廓，RETR_TREE会提取所有层级轮廓
  contours, hierarchy = cv2.findContours(cleaned_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  

• 凸性判定计数
  逐一对轮廓做凸性校验，支持严格判定和带容错的宽松判定两种模式，适配不同质量的输入图像：
  • 严格判定：直接调用cv2.isContourConvex()接口，返回True则判定为标准凸区域，适合边缘光滑无毛刺的标准场景
  • 宽松判定：针对边缘带微小锯齿、轻微拍摄/绘制误差的场景，先计算轮廓的凸包，再统计凸包和原轮廓之间的凸缺陷总面积，当凸缺陷总面积占轮廓自身面积的比例低于设定阈值（通常取0.5%~2%）时，依然判定为凸区域
    计数逻辑参考代码：

  convex_total = 0
  # 最小面积阈值，过滤掉尺寸过小的噪点轮廓，根据实际图像分辨率调整
  min_area = 15
  # 凸缺陷占比阈值，宽松判定用
  defect_ratio_thresh = 0.01
  
  for cnt in contours:
      cnt_area = cv2.contourArea(cnt)
      # 过滤过小噪点
      if cnt_area < min_area:
          continue
      # 严格凸判定
      if cv2.isContourConvex(cnt):
          convex_total += 1
          continue
      # 宽松凸判定
      hull = cv2.convexHull(cnt, returnPoints=False)
      defects = cv2.convexityDefects(cnt, hull)
      # 无凸缺陷直接判定为凸
      if defects is None:
          convex_total += 1
          continue
      # 统计总凸缺陷量
      total_defect = 0
      for i in range(defects.shape[0]):
          _, _, _, defect_depth = defects[i, 0]
          total_defect += defect_depth / 256.0
      if total_defect / cnt_area < defect_ratio_thresh:
          convex_total += 1
  
  print(f"检测到的凸区域总数为：{convex_total}")
  

• 特殊场景适配
  • 如果图像中存在凸区域互相粘连的情况，先做分水岭分割将粘连区域拆分为独立连通域，再执行上述流程，否则会把多个粘连凸区域误判为1个
  • 如果需要统计嵌套结构内的凸区域，将轮廓检索模式改为cv2.RETR_TREE后，根据返回的层级信息筛选需要统计的轮廓层级即可
  • 最小面积阈值、凸缺陷占比阈值没有通用固定值，需要根据自身图像的分辨率、目标尺寸做适配调整

内容的提问来源于stack exchange，提问作者Paul_Dx