使用Python OpenCV（或其他库）检测显微图像中圆形/椭圆形细菌细胞的数量及颜色的技术方案咨询

阿华AIGC实验室

2026-4-8

使用Python OpenCV（或其他库）检测显微图像中圆形/椭圆形细菌细胞的数量及颜色的技术方案

嗨，针对你要检测显微图像里细菌数量和颜色的需求，我给你整理了一套以Python+OpenCV为主的实现思路，在这类显微图像场景下亲测靠谱，咱们一步步来拆解：

一、整体思路拆解

咱们核心就抓两个点：基于形状（圆形/椭圆形）筛选目标+提取颜色特征，完全不用纠结生物学背景，就纯靠图像处理逻辑推进：先把图像“洗干净”（降噪、分割），再把目标从背景里捞出来，接着筛选符合形状的细胞统计数量，最后精准提取每个细胞的颜色信息。

二、具体步骤及可复用代码

1. 图像预处理：先滤掉噪点，分离目标与背景

显微图像一般带细碎噪点，先做降噪和分割，让细胞和背景边界更清晰：

用高斯模糊滤掉小噪点，避免后续检测出一堆假目标
转HSV颜色空间（后续提颜色更方便），同时转灰度图用于形状检测
用Otsu自动阈值分割，不用手动调参数就能把细胞和背景二值化分离

给你贴个可直接用的代码片段，记得把图像路径换成你本地的：

import cv2
import numpy as np

# 读取本地显微图像
img = cv2.imread("你的细菌图像.jpg")
# 高斯降噪，(5,5)是模糊核大小，数值越大噪点滤得越狠
blurred = cv2.GaussianBlur(img, (5,5), 0)
# 转HSV空间，方便后续颜色提取
hsv = cv2.cvtColor(blurred, cv2.COLOR_BGR2HSV)
# 转灰度图，用于形状检测
gray = cv2.cvtColor(blurred, cv2.COLOR_BGR2GRAY)
# Otsu自动阈值分割，把细胞（暗部）和背景（亮部）分开
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

2. 形状检测&数量统计：精准抓圆形/椭圆形细胞

这里给你两种方法，按需选：

方法一：霍夫圆变换：适合细胞都是规整正圆的情况，用cv2.HoughCircles()直接找圆，但参数得慢慢调（比如圆心最小距离、半径范围）
方法二：轮廓检测+形状筛选：更灵活，椭圆、稍微变形的圆都能抓，是我更推荐的方案，步骤如下：
1. 提取图像里的所有外层轮廓，过滤掉太小的噪点轮廓
2. 对每个轮廓计算圆度（公式：4π×面积/(周长²)，越接近1越圆，0.6以上就可以算椭圆/近似圆）
3. 符合圆度阈值的就算目标细胞，统计数量同时记录位置（方便后续提颜色）

代码示例来了，里面的参数你可以根据自己的图像调整：

# 提取所有外层轮廓
contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

cell_count = 0
cell_detail = []  # 存每个细胞的位置、颜色信息

for cnt in contours:
    # 过滤太小的噪点轮廓，面积阈值根据你的细胞大小调，比如最小100像素
    area = cv2.contourArea(cnt)
    if area < 100:
        continue
    # 计算周长和圆度
    perimeter = cv2.arcLength(cnt, True)
    if perimeter == 0:
        continue
    circularity = 4 * np.pi * (area / (perimeter ** 2))
    # 圆度阈值：0.6-1.1之间覆盖椭圆到正圆，你可以按需缩窄范围
    if 0.6 < circularity < 1.1:
        cell_count += 1
        # 记录细胞的外接矩形位置
        x, y, w, h = cv2.boundingRect(cnt)
        # 提取细胞区域的HSV颜色均值（代表这个细胞的整体颜色）
        cell_hsv_region = hsv[y:y+h, x:x+w]
        avg_h, avg_s, avg_v = np.mean(cell_hsv_region[:,:,0]), np.mean(cell_hsv_region[:,:,1]), np.mean(cell_hsv_region[:,:,2])
        cell_detail.append({
            "位置": (x, y, w, h),
            "HSV颜色均值": (round(avg_h, 2), round(avg_s, 2), round(avg_v, 2)),
            "圆度": round(circularity, 2)
        })
        # 可以在原图上画绿色框标注，方便你直观验证
        cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

# 输出结果
print(f"一共检测到{cell_count}个符合形状的细胞")
for idx, detail in enumerate(cell_detail):
    print(f"细胞{idx+1}：位置{detail['位置']}，HSV颜色均值{detail['HSV颜色均值']}，圆度{detail['圆度']}")

3. 颜色分类：精准判断细胞颜色类别

直接用RGB判断颜色容易受光照影响，在HSV空间判断更靠谱：

先手动取几个样本细胞的HSV值，确定每个目标颜色的区间（比如橙色、蓝色的HSV范围）
对每个细胞区域，判断它的颜色是否落在预设区间内，超过一定比例就标记为对应颜色

比如要判断橙色细胞，代码可以这么写：

# 示例：橙色的HSV区间，数值根据你的实际图像调整（可以用取色工具先测样本）
lower_orange = np.array([10, 100, 100])
upper_orange = np.array([25, 255, 255])

for detail in cell_detail:
    x, y, w, h = detail["位置"]
    cell_hsv = hsv[y:y+h, x:x+w]
    # 生成颜色匹配掩码
    color_mask = cv2.inRange(cell_hsv, lower_orange, upper_orange)
    # 如果超过50%的细胞区域匹配橙色，就标记为橙色细胞
    if np.sum(color_mask)/255 > (w * h) * 0.5:
        detail["颜色标签"] = "橙色"
    else:
        detail["颜色标签"] = "其他"

# 输出带颜色标签的结果
for idx, detail in enumerate(cell_detail):
    print(f"细胞{idx+1}：颜色标签{detail['颜色标签']}")