如何使用OpenCV计算图像中连通组件的周长

AI 小北

2026-10-15

问题描述

我有如下矩阵：

m = np.asarray(
        [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0],
         [0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0],
         [0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0],
         [0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0],
         [0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         ], dtype=np.uint8
)

我对其执行了如下形态学梯度变换操作：

gradient = cv2.morphologyEx(m, cv2.MORPH_GRADIENT, np.ones((2,2),np.uint8))
gradient = cv2.morphologyEx(m, cv2.MORPH_GRADIENT, np.ones((3,3),np.uint8))

两种操作分别使用2x2、3x3卷积核得到对应运行结果，但实际输出的像素显示效果和预期相反，请问是否有简单可靠的方法可以正确获取图像中组件的周长？

解答

首先你当前的代码存在一个基础错误：两次调用cv2.morphologyEx都输入了原始矩阵m，第二次计算的3x3梯度结果会直接覆盖第一次的2x2梯度结果，要保留两个结果需要换不同的变量名存储。
针对边缘效果反向和周长计算的需求，有以下几种可靠的解决方案：

方案1：修正形态学梯度用法
形态学梯度的计算逻辑是膨胀结果减腐蚀结果，如果输出边缘和预期明暗相反，直接对结果做翻转即可：二值场景用1 - gradient，8位灰度场景用255 - gradient。梯度结果的非零像素总数就是组件周长的近似值，日常使用优先选3x3卷积核，边缘提取的稳定性更好。
方案2：调用OpenCV原生轮廓周长接口（最推荐）
不用手动处理核选择、边缘翻转的问题，精度更高，还支持区分统计外轮廓、内部孔洞的周长，示例代码如下：

import cv2
import numpy as np

# 原始矩阵
m = np.asarray(
        [[0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         [0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0],
         [0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0],
         [0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 1, 1, 1, 1, 1, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0],
         [0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 0],
         [0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0],
         [0, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 1, 0],
         [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],
         ], dtype=np.uint8
)
# 转成0/255格式适配cv2接口
m_255 = m * 255
# RETR_TREE会提取所有层级轮廓（包含外框、内部孔洞、内部矩形），只需外轮廓就换成RETR_EXTERNAL
contours, hierarchy = cv2.findContours(m_255, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# 统计总周长
total_perimeter = 0
for cnt in contours:
    # closed=True表示轮廓是闭合的
    total_perimeter += cv2.arcLength(cnt, closed=True)
print(f"组件总周长：{total_perimeter}")

方案3：手动统计边缘像素
不需要引入复杂的形态学操作，直接遍历所有值为1的像素，只要它上下左右四个相邻像素里有值为0的，就判定为边缘像素，统计这类像素的总数就是周长的近似值，逻辑简单不会出现反向问题。

内容的提问来源于stack exchange，提问作者Chris