使用OpenCV分割Treemap图像组成矩形 现有代码仅提取7/25如何优化

输入示例图片：

原代码漏检区块的核心原因 #

• 仅使用RETR_EXTERNAL轮廓检索模式配合简单阈值处理，会把嵌套的子矩形区块、被文字噪点打断边界的区块直接过滤
• 没有做形态学补洞操作，区块内部的文字会把完整的区块连通域拆分成多个小区域，无法被识别为完整轮廓
• 轮廓筛选逻辑不合理，容易混淆文字轮廓和区块轮廓

可直接运行的改进代码 #

import cv2
import numpy as np

image = cv2.imread('page_sample.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 利用树图分隔线为白色的特征直接分割区块掩码
_, white_sep_mask = cv2.threshold(gray, 245, 255, cv2.THRESH_BINARY)
block_mask = cv2.bitwise_not(white_sep_mask)

# 闭运算填补区块内部文字造成的孔洞，保证每个区块为独立连通域
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))
closed_block_mask = cv2.morphologyEx(block_mask, cv2.MORPH_CLOSE, kernel, iterations=2)

# 检索所有独立区块的外轮廓
cnts = cv2.findContours(closed_block_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]

ROI_number = 0
# 可根据实际区块大小调整最小面积阈值过滤噪点
min_block_area = 1000

for c in cnts:
    area = cv2.contourArea(c)
    if area < min_block_area:
        continue
    x, y, w, h = cv2.boundingRect(c)
    ROI = image[y:y+h, x:x+w]
    cv2.imwrite(f'ROI_{ROI_number}.png', ROI)
    ROI_number += 1

print(f"成功提取{ROI_number}个区块")

优化说明 #

该方案跳过了容易受文字干扰的边缘检测步骤，直接利用树图的布局特征做阈值分割，在示例图上可完整提取全部25个有效区块。如果遇到区块有阴影、颜色过浅的情况，可以微调阈值参数245和形态学核的大小适配。

内容的提问来源于stack exchange，提问作者Niper