基于Python SciKit库的图像矩形目标分割与计数方案咨询

核心技术思路 #

你需要的是形状特征筛选的分割方案，scikit-image内置的skimage.measure.regionprops模块可以提取连通域的全量几何属性，直接通过矩形专属的几何指标过滤掉所有非矩形干扰对象，不需要依赖blob检测。

完整处理流程（补充现有步骤的后续环节） #

• 形态学预处理：对otsu输出的二值图执行闭运算+开运算，消除矩形内部的孔洞、周围的零散噪点，使用skimage.morphology下的square/disk结构元素即可
• 连通域标记：调用skimage.measure.label()给二值图中所有独立连通域生成唯一标签
• 形状特征过滤：遍历所有连通域的属性，同时满足以下条件的判定为有效矩形目标：
  • 面积落在预设的目标矩形面积区间内，过滤过小噪点/过大背景块
  • 矩形度（extent） ≥ 0.85（完美矩形该值为1，可根据场景误差调整阈值）
  • 可选：纵横比落在目标矩形的比例区间内，过滤形状不符合的干扰
  • 可选：固体度（solidity） ≥ 0.9，过滤边缘有凹缺的非规则对象
• 统计符合条件的连通域数量，即为目标矩形计数结果

参考伪代码 #

from skimage import io, color, filters, morphology, measure

# 已完成的前置步骤
img = io.imread("输入图像路径")
gray = color.rgb2gray(img)
thresh = filters.threshold_otsu(gray)
binary = gray > thresh
binary = morphology.clear_border(binary)

# 补充的核心处理步骤
# 1. 形态学降噪
selem = morphology.square(3)
binary_clean = morphology.closing(binary, selem)
binary_clean = morphology.opening(binary_clean, selem)

# 2. 连通域标记
label_img = measure.label(binary_clean, connectivity=2)
props = measure.regionprops(label_img)

# 3. 按形状筛选矩形
rect_count = 0
min_area = 100  # 替换为实际目标最小面积
max_area = 10000 # 替换为实际目标最大面积
min_extent = 0.85
for region in props:
    if min_area < region.area < max_area and region.extent > min_extent:
        # 可追加纵横比、solidity等过滤条件
        rect_count +=1

print(f"矩形目标总数：{rect_count}")

优化适配场景 #

如果存在光照不均、矩形重叠的问题，可做如下调整：

• 光照不均：将otsu全局阈值替换为skimage.filters.threshold_local局部阈值
• 矩形重叠：在连通域标记前增加距离变换+分水岭分割步骤，拆分粘连的矩形目标

内容的提问来源于stack exchange，提问作者Cian Darcy