如何基于OpenCV Canny边缘检测计算印刷网点的均值与标准差

方案选择说明 #

你当前使用Canny边缘检测的方案不适合半色调网点提取，原因是浅色网点（比如黄色）和背景的灰度差很小，边缘梯度不足，Canny很容易漏检。更适合的方案是颜色空间转换+二值化+轮廓查找，直接基于色块而非边缘分割，对浅色网点的识别准确率高很多。

实现步骤 #

• 第一步：颜色空间转换，将默认BGR格式转为HSV格式，基于色相（H）通道区分不同颜色的网点，规避亮度、饱和度差异的干扰，可单独提取黄、品、青、黑各分色的网点掩膜。
• 第二步：图像二值化，若需统计所有网点可将图像转灰度后使用cv2.adaptiveThreshold自适应二值化，比固定阈值适配性更强，能完整分割出浅色网点；若需分颜色统计则对对应颜色的HSV掩膜做二值化处理。
• 第三步：轮廓筛选，使用cv2.findContours提取二值图中的所有轮廓，按面积过滤掉过小的噪点后，剩余轮廓即为有效网点。

尺寸计算方法 #

• 单个网点尺寸可采用等效直径计算：通过cv2.contourArea获取轮廓面积后，按照圆形面积公式换算等效直径 d = √(4*面积/π)，适配不规则的印刷网点。
• 将所有有效网点的等效直径存入数组后，直接调用numpy的np.mean()计算均值，np.std()计算标准差即可。

参考代码 #

import cv2
import numpy as np

# 读取原始图像
img = cv2.imread('img/color_dots.png')
# 转HSV颜色空间用于分色提取
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)

# 示例：提取黄色网点掩膜，可根据实际网点颜色调整上下限
lower_yellow = np.array([20, 50, 50])
upper_yellow = np.array([30, 255, 255])
yellow_mask = cv2.inRange(hsv, lower_yellow, upper_yellow)

# 提取所有颜色网点的二值化处理
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
binary = cv2.adaptiveThreshold(
    gray, 255, 
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
    cv2.THRESH_BINARY_INV, 
    11, 2
)

# 查找所有外层轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

dot_diameters = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    # 过滤面积小于5像素的噪点，阈值可根据图像分辨率调整
    if area < 5:
        continue
    # 计算等效直径
    diameter = np.sqrt(4 * area / np.pi)
    dot_diameters.append(diameter)

# 统计结果
mean_d = np.mean(dot_diameters)
std_d = np.std(dot_diameters)
print(f"网点平均等效直径：{mean_d:.2f} 像素")
print(f"网点尺寸标准差：{std_d:.2f} 像素")

参数调整说明 #

• 自适应二值化的块大小（代码中11的位置，必须为奇数）、阈值偏移量（代码中2的位置）可根据实际网点大小调整，块大小建议略大于单个网点的直径。
• 分色提取的HSV上下限可通过取色工具拾取实际网点的颜色后调整，确保目标颜色网点完整出现在掩膜中。

内容的提问来源于stack exchange，提问作者Haidepzai