图像处理：如何实现堆叠皮革图像中的皮革数量精准统计

原方案问题分析 #

你当前使用的固定阈值二值化方法存在明显局限性：

• 固定的灰度范围50-90无法适配不同光照、不同皮革颜色的输入图像，容易出现缝隙漏检或者背景误检
• 仅完成了初步二值化分割，没有配套的计数逻辑，无法直接输出层数结果

改进方案（基于垂直灰度投影法） #

该方案利用堆叠皮革水平分层的特征，通过统计垂直方向的灰度突变计数层数，对光照、颜色波动的鲁棒性远高于固定阈值法。

实现代码 #

import cv2
import numpy as np

def count_leather_layers(image_path):
    # 1. 读取图像并预处理
    im = cv2.imread(image_path)
    # 裁剪感兴趣区域（可根据实际拍摄视角调整，排除无关背景干扰）
    h, w = im.shape[:2]
    roi = im[int(h*0.1):int(h*0.9), int(w*0.2):int(w*0.8)]
    # 转灰度
    gray = cv2.cvtColor(roi, cv2.COLOR_BGR2GRAY)
    # 自适应阈值二值化，适配局部光照变化
    thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 15, 3)
    # 形态学闭运算，连接断裂的缝隙线条
    kernel = np.ones((3,3), np.uint8)
    closed = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=1)
    
    # 2. 计算垂直方向灰度投影
    vertical_proj = np.sum(closed, axis=1)
    # 平滑投影曲线，减少噪声干扰
    smoothed_proj = cv2.GaussianBlur(vertical_proj.reshape(-1,1), (1,15), 0).flatten()
    
    # 3. 检测投影曲线的峰值，每个峰值对应一层皮革的缝隙
    peaks = []
    threshold = np.max(smoothed_proj) * 0.2 # 峰值阈值，可根据实际情况微调
    for i in range(1, len(smoothed_proj)-1):
        if smoothed_proj[i] > smoothed_proj[i-1] and smoothed_proj[i] > smoothed_proj[i+1] and smoothed_proj[i] > threshold:
            peaks.append(i)
    # 去重：合并相邻过近的峰值
    filtered_peaks = []
    min_distance = h * 0.03 # 最小层间距，按需调整
    last_p = -min_distance
    for p in peaks:
        if p - last_p > min_distance:
            filtered_peaks.append(p)
            last_p = p
    # 层数 = 峰值数 + 1
    layer_count = len(filtered_peaks) + 1
    return layer_count

# 测试
if __name__ == "__main__":
    count = count_leather_layers("替换为你的图像路径")
    print(f"检测到的皮革层数为：{count}")

优化建议 #

• 如果拍摄的堆叠皮革存在倾斜，可先通过霍夫直线检测计算倾斜角度，做仿射变换矫正为水平后再做投影计数，准确率会进一步提升
• 如果场景固定，可提前标定感兴趣区域，排除背景、周边杂物的干扰，进一步降低误检概率

内容的提问来源于stack exchange，提问作者IBHa