如何使用OpenCV实现太阳能板图像的栅格线精准检测？

问题概述 #

需求为针对包含太阳能板的输入图像，精准提取所有栅格线、过滤无关背景区域，完成全图栅格的完整检测。

• 原始参考图像：
  
• 原有代码输出效果：
  

原有代码核心问题：拉普拉斯边缘检测对细碎噪声过于敏感，且阈值函数参数设置错误（maxval传入0、阈值边界设为0，THRESH_TOZERO模式几乎没有二值化筛选效果），仅靠轮廓面积筛选完全无法区分栅格线和杂边、污渍轮廓，最终检测结果杂点多、栅格缺失严重。

原有实现代码如下：

image = cv2.imread("solar3.jpg")
cv2.imshow("Image", image)

image = cv2.resize(image, (482,406))

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
cv2.imshow("gray", gray)

blur = cv2.GaussianBlur(gray, (0,0), 2)
cv2.imshow("blur", blur)

lap = cv2.Laplacian(blur, cv2.CV_32F)
cv2.imshow("lap",lap)

_,thresh = cv2.threshold(lap, 0, 0, cv2.THRESH_TOZERO)
cv2.imshow("thresh", thresh)

thresh = thresh.astype(np.uint8)

contours, hierachy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

c = 0
for i in contours:
    area = cv2.contourArea(i)
    if area > 1000/2:
         cv2.drawContours(image, contours, c, (0, 255, 0), 2)
    c+=1

   
cv2.imshow("Final Image", image)
cv2.waitKey(0)

优化实现思路 #

太阳能板栅格本身是等间距、互相垂直的水平/垂直规则线条结构，针对这个特征做定向提取，稳定性远高于普通边缘+轮廓筛选方案，核心逻辑：

• 预处理换双边滤波，平滑电池片表面噪点的同时不会糊掉栅格的锐利边缘
• 二值化用自适应高斯阈值，适配图像上不均匀的光照，避免亮部过检、暗部漏检
• 用水平、垂直方向的长条形形态学核做开运算，只保留对应方向的长线条，直接滤掉大部分杂散短边缘、污渍轮廓
• 合并横竖线检测结果后做一次闭运算，补全栅格上断开的小缺口
• 最后用概率霍夫直线做二次筛选，只保留角度接近水平/垂直、长度达标的线条，彻底过滤残留杂线

优化后可运行代码 #

import cv2
import numpy as np

# 读取并统一图像尺寸
img = cv2.imread("solar3.jpg")
img = cv2.resize(img, (482, 406))
result = img.copy()
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 保边去噪
blur = cv2.bilateralFilter(gray, 9, 75, 75)

# 自适应阈值二值化，应对光照不均场景
thresh = cv2.adaptiveThreshold(
    blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
    cv2.THRESH_BINARY_INV, 15, 2
)

# 生成水平、垂直方向专属形态学核
kernel_horizontal = cv2.getStructuringElement(cv2.MORPH_RECT, (25, 1))
kernel_vertical = cv2.getStructuringElement(cv2.MORPH_RECT, (1, 25))

# 分别提取横向、纵向栅格
horizontal_grid = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel_horizontal, iterations=2)
vertical_grid = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel_vertical, iterations=2)

# 合并栅格掩码并补全断线缺口
grid_mask = cv2.add(horizontal_grid, vertical_grid)
kernel_close = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
grid_mask = cv2.morphologyEx(grid_mask, cv2.MORPH_CLOSE, kernel_close, iterations=1)

# 霍夫直线检测筛选有效栅格线
lines = cv2.HoughLinesP(
    grid_mask, 1, np.pi/180, 
    threshold=50, minLineLength=30, maxLineGap=5
)

# 绘制符合角度、长度要求的栅格线
if lines is not None:
    for line in lines:
        x1, y1, x2, y2 = line[0]
        # 计算直线角度，仅保留水平/垂直方向线条（允许5度误差）
        line_angle = abs(np.arctan2(y2 - y1, x2 - x1) * 180 / np.pi)
        if line_angle < 5 or abs(line_angle - 90) < 5:
            cv2.line(result, (x1, y1), (x2, y2), (0, 255, 0), 2)

# 输出检测结果
cv2.imshow("Solar Grid Detection Result", result)
cv2.waitKey(0)
cv2.destroyAllWindows()

参数调优说明 #

• 如果出现栅格漏检，可适当缩小方向形态学核的尺寸（如将25调整为20），或调低霍夫检测的threshold、minLineLength参数
• 如果残留杂线过多，可适当增大方向形态学核尺寸，收紧角度筛选的误差范围，或增加小轮廓过滤步骤剔除孤立短线段

内容的提问来源于stack exchange，提问作者sweety