如何使用Python和OpenCV统计叶片显微图像中的气孔数量？

原有代码失效原因 #

你使用的cvlib.detect_common_objects()是基于COCO通用数据集训练的检测接口，仅支持识别80类日常常见物体（如汽车、动物、家具等），数据集中没有叶片气孔类别，因此完全无法识别目标。

可行性说明 #

这类需求完全可以通过技术手段实现，气孔特征（椭圆形、厚黑色边缘）辨识度很高，不需要训练深度学习模型，仅用OpenCV传统图像处理方法就能完成统计，准确率足够支撑批量处理使用。

具体实现代码 #

import cv2
import numpy as np
import matplotlib.pyplot as plt

def count_stomata(image_path, min_area=100, max_area=1000, min_roundness=0.6):
    # 读取图像
    img = cv2.imread(image_path)
    # 转灰度图
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 高斯模糊去噪
    blurred = cv2.GaussianBlur(gray, (5, 5), 0)
    # 阈值分割：提取黑色边缘（可根据你的图像亮度调整阈值参数）
    _, thresh = cv2.threshold(blurred, 80, 255, cv2.THRESH_BINARY_INV)
    # 形态学操作，去除小噪点
    kernel = np.ones((3,3), np.uint8)
    cleaned = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)
    
    # 检测轮廓
    contours, _ = cv2.findContours(cleaned, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    
    count = 0
    result_img = img.copy()
    for cnt in contours:
        # 计算轮廓面积
        area = cv2.contourArea(cnt)
        if not (min_area < area < max_area):
            continue
        # 计算圆形度（越接近椭圆/圆形，值越接近1）
        perimeter = cv2.arcLength(cnt, True)
        roundness = 4 * np.pi * (area / (perimeter ** 2))
        if roundness < min_roundness:
            continue
        # 符合条件的气孔计数，画框标记
        count +=1
        x,y,w,h = cv2.boundingRect(cnt)
        cv2.rectangle(result_img, (x,y), (x+w,y+h), (0,255,0), 2)
        cv2.putText(result_img, str(count), (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (0,255,0), 2)
    
    return count, result_img

# 调用示例
if __name__ == "__main__":
    stomata_count, output = count_stomata("leaf1.jpg")
    print(f"检测到的气孔数量：{stomata_count}")
    # 显示结果，注意OpenCV是BGR格式，转成RGB适配matplotlib
    output_rgb = cv2.cvtColor(output, cv2.COLOR_BGR2RGB)
    plt.imshow(output_rgb)
    plt.axis('off')
    plt.show()

参数调整说明 #

如果出现误检、漏检的情况，可根据你的样本情况调整以下参数：

• min_area/max_area：根据你图像中气孔的实际像素大小调整面积阈值，排除过大的杂质、过小的噪点
• 阈值参数：如果图像整体偏亮/偏暗，调整cv2.threshold的第二个参数（示例中为80），数值越高分割出来的深色区域越少
• min_roundness：气孔椭圆度要求，数值越高筛选越严格，仅保留形状更接近正圆/椭圆的目标

内容的提问来源于stack exchange，提问作者hbstha123