如何基于图像宽度分析颜色分布及定位目标像素区域（OpenCV 4.0.0 C++）

嘿，这个需求我刚好有过类似的实现经验，用OpenCV 4.0.0 + C++完全能搞定，我给你拆解成一步步的实操方案，跟着来肯定没问题～

核心就是先锁定红色边框限定的分析区域，再统计该区域内每一列的白色像素占比，最后通过占比阈值找到右侧的密集区域，完全契合你说的“提取水平切片分析”的思路，只不过我们不用真的切图，直接按列统计更高效。

1. 定位红色边框的ROI区域 #

首先得把红色框出来的范围提取出来，不然整个图像分析太宽泛。红色在HSV空间里容易区分，我们可以通过颜色阈值+轮廓检测来获取ROI：

// 读取目标图像
cv::Mat img = cv::imread("your_image_path.jpg");
if (img.empty()) {
    std::cerr << "Failed to load image!" << std::endl;
    return -1;
}

// 转HSV色彩空间，方便检测红色
cv::Mat hsv_img;
cv::cvtColor(img, hsv_img, cv::COLOR_BGR2HSV);

// 红色的HSV阈值（分两段，因为HSV里红色是首尾衔接的）
cv::Mat red_mask1, red_mask2;
cv::inRange(hsv_img, cv::Scalar(0, 120, 70), cv::Scalar(10, 255, 255), red_mask1);
cv::inRange(hsv_img, cv::Scalar(170, 120, 70), cv::Scalar(180, 255, 255), red_mask2);
cv::Mat red_mask = red_mask1 | red_mask2;

// 找红色边框的轮廓，取面积最大的那个（就是我们要的限定框）
std::vector<std::vector<cv::Point>> contours;
cv::findContours(red_mask, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);
if (contours.empty()) {
    std::cerr << "No red border detected!" << std::endl;
    return -1;
}

int max_contour_idx = 0;
double max_area = cv::contourArea(contours[0]);
for (int i = 1; i < contours.size(); ++i) {
    double area = cv::contourArea(contours[i]);
    if (area > max_area) {
        max_area = area;
        max_contour_idx = i;
    }
}

// 获取ROI的矩形坐标，提取ROI区域
cv::Rect roi_rect = cv::boundingRect(contours[max_contour_idx]);
cv::Mat roi = img(roi_rect);

2. 统计每一列的白色像素占比 #

接下来我们对ROI的每一列统计白色像素数量，模拟你说的“720x1切片”的分析逻辑：

// ROI转灰度图，方便二值化提取白色
cv::Mat gray_roi;
cv::cvtColor(roi, gray_roi, cv::COLOR_BGR2GRAY);

// 二值化提取白色区域（阈值可根据实际图像调整，黑白图的白色一般接近255）
cv::Mat white_mask;
cv::threshold(gray_roi, white_mask, 240, 255, cv::THRESH_BINARY);

// 统计每一列的白色像素数
int roi_width = roi.cols;
int roi_height = roi.rows;
std::vector<int> white_count_per_col(roi_width, 0);

for (int col = 0; col < roi_width; ++col) {
    // 提取当前列，统计非零像素（白色）的数量
    white_count_per_col[col] = cv::countNonZero(white_mask.col(col));
}

// 计算每一列的白色像素占比（占该列总像素的比例）
std::vector<float> white_ratio_per_col(roi_width, 0.0f);
for (int col = 0; col < roi_width; ++col) {
    white_ratio_per_col[col] = static_cast<float>(white_count_per_col[col]) / roi_height;
}

3. 定位右侧的白色密集区域 #

现在有了每一列的占比数据，我们可以设定一个阈值（比如占比超过80%就算密集），从右往左找连续符合条件的区域，最后转换回原图坐标：

// 自定义参数，可根据需求调整
const float DENSITY_THRESHOLD = 0.8f; // 白色占比超过这个值就算密集
const int MIN_CONTINUOUS_COLS = 15;   // 至少连续N列符合条件才算有效区域

int start_col = -1;
int end_col = roi_width - 1;
int continuous_match = 0;

// 从右往左遍历，找连续的密集列
for (int col = roi_width - 1; col >= 0; --col) {
    if (white_ratio_per_col[col] >= DENSITY_THRESHOLD) {
        continuous_match++;
        // 找到足够多的连续密集列，记录起始位置
        if (continuous_match == MIN_CONTINUOUS_COLS) {
            start_col = col;
            break;
        }
    } else {
        continuous_match = 0;
        end_col = col;
    }
}

// 如果找到有效区域，转换为原图坐标并可视化
if (start_col != -1) {
    int orig_start_x = roi_rect.x + start_col;
    int orig_end_x = roi_rect.x + end_col;
    int orig_y = roi_rect.y;
    int orig_h = roi_rect.height;

    std::cout << "白色密集区域（原图坐标）：\n"
              << "X范围：" << orig_start_x << " ~ " << orig_end_x << "\n"
              << "Y范围：" << orig_y << " ~ " << orig_y + orig_h << std::endl;

    // 用浅粉色标注目标区域，和你说的需求对应
    cv::rectangle(img, cv::Rect(orig_start_x, orig_y, orig_end_x - orig_start_x, orig_h),
                  cv::Scalar(255, 105, 180), 2);
    cv::imwrite("result_with_mark.jpg", img);
} else {
    std::cerr << "未找到符合条件的白色密集区域！" << std::endl;
}

一些实用优化建议 #

• 如果图像有噪声，可以在二值化前加高斯模糊：cv::GaussianBlur(gray_roi, gray_roi, cv::Size(3,3), 0);，减少误判。
• 红色的HSV阈值可以根据实际图像微调，比如用OpenCV的滑动条工具实时调试，能更精准地定位红色边框。
• 要是不需要严格的连续列，也可以用滑动窗口计算平均占比（比如每20列算一个窗口的平均占比），这样结果会更平滑。

内容的提问来源于stack exchange，提问作者Erdem Tuna