如何使用Python或R测量条形图柱子高度以提取对应数据

完全可以实现，核心逻辑是先建立Y轴像素坐标与实际数值的映射关系，再识别每个条形的顶端像素坐标，代入映射即可得到对应数值，精度远高于手动统计。以下是两种语言的可落地实现方案：

可以用OpenCV做图像识别，步骤清晰可定制：

• 先预处理图像：转灰度、二值化，分离条形和坐标轴区域，过滤背景、网格线等干扰元素
• 标定Y轴映射：手动选取两个Y轴已知刻度对应的像素坐标（注意图像像素坐标从上到下递增，和常规坐标系方向相反），生成换算公式
• 识别条形轮廓：通过颜色阈值或轮廓检测定位所有条形，取每个条形顶端的像素坐标代入换算公式得到数值

核心代码示例：

import cv2
import numpy as np

# 读取本地条形图文件
img = cv2.imread("bar_chart.jpg")
# 替换为你的图中Y轴实际参数：刻度值对应像素坐标
y_pixel_min = 800  # Y轴最小值（比如0）对应的像素y坐标（靠近图像底部）
y_pixel_max = 100  # Y轴最大值（比如100）对应的像素y坐标（靠近图像顶部）
value_min = 0
value_max = 100
# 替换为你的条形对应的HSV颜色范围，这里以蓝色条形为例
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
lower_bar = np.array([90,50,50])
upper_bar = np.array([130,255,255])
mask = cv2.inRange(hsv, lower_bar, upper_bar)
# 查找条形轮廓
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 计算每个条形的数值
bar_values = []
for cnt in contours:
    x,y,w,h = cv2.boundingRect(cnt)
    # 过滤尺寸过小的噪点轮廓
    if w>10 and h>10:
        top_pixel = y
        bar_value = value_min + (value_max - value_min) * (y_pixel_min - top_pixel) / (y_pixel_min - y_pixel_max)
        bar_values.append(round(bar_value,2))
print(bar_values)

用magick和EBImage包即可完成相同逻辑的处理：

• 先加载图像做二值化预处理，提取条形区域
• 标定Y轴的像素-数值映射关系
• 识别条形轮廓，提取顶端坐标计算数值

核心代码示例：

library(magick)
library(EBImage)

# 读取本地条形图文件
img <- image_read("bar_chart.jpg")
# 替换为你的图中Y轴实际参数
y_pixel_min <- 800
y_pixel_max <- 100
value_min <- 0
value_max <- 100
# 二值化处理提取条形
img_binary <- img %>% 
  image_channel("gray") %>% 
  image_threshold("black", threshold = "50%")
# 识别轮廓并计算参数
img_mat <- image_data(img_binary, "matrix")
seg_res <- segmentLabels(img_mat)
contour_params <- computeFeatures.shape(seg_res)
# 计算每个条形的数值
bar_values <- apply(contour_params, 1, function(x) {
  top_pixel <- x['m.cy'] - x['s.radius']
  value <- value_min + (value_max - value_min) * (y_pixel_min - top_pixel) / (y_pixel_min - y_pixel_max)
  return(round(value,2))
})
print(bar_values)

如果是多颜色分组的条形图，只需要调整颜色阈值分别提取不同颜色的条形即可；如果需要完全自动化处理，也可以加OCR步骤自动识别Y轴刻度值，不需要手动输入刻度参数。

内容的提问来源于stack exchange，提问作者Jeremy