如何用OpenCV阈值化消阴影并解决数字边界框提取失效问题？

首先，你遇到的核心问题是全局阈值化（比如OTSU）无法应对局部阴影带来的灰度不均匀，导致二值化后阴影和数字区域混淆，轮廓提取失效。下面给你几个针对性的改进方案，从阈值化方法到预处理优化，一步步解决问题：

方案1：使用局部自适应阈值替代全局OTSU #

局部自适应阈值会针对每个像素周围的小区域计算阈值，能有效忽略局部阴影的影响——因为它不依赖整张图的灰度分布，只关注局部区域的明暗差异。直接替换你当前的OTSU阈值化步骤即可：

# 替换原有的OTSU阈值化代码
img = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

• 参数微调建议：
  • 11是局部区域的大小（必须是奇数），如果你的数字尺寸较大，可以调整为15、19这类更大的奇数；
  • 2是阈值偏移量，用来微调阈值高低，避免把浅阴影误判为前景区域。
• 注意：如果取反后数字是深色，记得把THRESH_BINARY改成THRESH_BINARY_INV，或者根据图像实际明暗调整取反操作的时机。

方案2：转换到HSV/LAB颜色空间分离阴影 #

阴影主要影响图像的亮度通道，而颜色通道（比如HSV的H/S、LAB的A/B）几乎不受阴影干扰。如果你的数字有明显的颜色（比如红色、蓝色），这个方法会非常有效：

以HSV空间为例的完整步骤： #

# 1. 读取原始图像并转换到HSV空间
original_img = cv2.imread("your_image_path.jpg")
hsv = cv2.cvtColor(original_img, cv2.COLOR_BGR2HSV)
h, s, v = cv2.split(hsv)

# 2. 利用饱和度通道过滤阴影（阴影的饱和度极低，接近灰色）
_, s_thresh = cv2.threshold(s, 30, 255, cv2.THRESH_BINARY)

# 3. 对亮度通道做局部自适应阈值
v_thresh = cv2.adaptiveThreshold(v, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)

# 4. 合并两个结果，得到只保留彩色数字的二值图
final_thresh = cv2.bitwise_and(s_thresh, v_thresh)

这个思路的核心是先把低饱和度的阴影区域过滤掉，再处理亮度通道，能大幅减少阴影对数字区域的干扰。

方案3：结合形态学操作优化二值图 #

在阈值化前后加入形态学操作，能清理噪声、填充数字内部的孔洞，让轮廓提取更准确：

# 阈值化后执行闭运算，填充数字内部的小孔洞
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
img = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel, iterations=1)

# 或者在阈值化前执行开运算，去掉阴影中的小噪点
img = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel, iterations=1)

• 如果数字有断笔、缺块的情况，优先用闭运算；
• 如果阴影区域有零星亮斑，优先用开运算。

完整改进后的流程示例 #

把上面的方法整合起来，参考流程如下：

# 1. 读取原始图像
original_img = cv2.imread("your_image.jpg")

# 2. 转换到灰度图
gray = cv2.cvtColor(original_img, cv2.COLOR_BGR2GRAY)

# 3. CLAHE自适应直方图均衡化（提升局部对比度，弱化阴影）
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
gray = clahe.apply(gray)

# 4. 高斯模糊平滑噪声
blur = cv2.GaussianBlur(gray, (3,3), 0)

# 5. 局部自适应阈值
thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)

# 6. 形态学优化
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2,2))
thresh = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)

# 7. 提取轮廓
contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

额外提示：用cv2.CHAIN_APPROX_SIMPLE替代CHAIN_APPROX_NONE提取轮廓会更高效，它会压缩冗余的轮廓点，完全不影响边界定位精度。

内容的提问来源于stack exchange，提问作者Cristian Desivo