Python/OpenCV二值图像曲线统计及帽子计数精度问题求解

要统计二值图像里的曲线数量，核心思路是利用OpenCV的轮廓检测——因为每条连通的曲线在二值图里就是一个独立的轮廓。这里给你一套实用的步骤和代码：

• 首先确保你的二值图像是8位单通道格式（如果是彩色图，先转灰度再二值化）；
• 用cv2.findContours()检测所有连通的白色区域（如果你的曲线是黑色，记得先反转图像：img = 255 - img）；
• 过滤掉小噪点轮廓（比如面积小于阈值的），避免把噪点误当成曲线。

示例代码如下：

import cv2
import numpy as np

# 读取二值图像（直接以灰度模式读取）
binary_img = cv2.imread('your_curve_image.png', cv2.IMREAD_GRAYSCALE)

# 检测最外层轮廓，压缩轮廓点以节省内存
contours, _ = cv2.findContours(binary_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 过滤掉面积过小的噪点（阈值根据你的图像调整，比如这里设为10）
valid_curves = [cnt for cnt in contours if cv2.contourArea(cnt) > 10]

# 有效轮廓的数量就是曲线数量
curve_count = len(valid_curves)
print(f"检测到的曲线数量: {curve_count}")

# 可选：画出轮廓验证结果
color_img = cv2.cvtColor(binary_img, cv2.COLOR_GRAY2BGR)
cv2.drawContours(color_img, valid_curves, -1, (0, 255, 0), 2)
cv2.imshow('Detected Curves', color_img)
cv2.waitKey(0)
cv2.destroyAllWindows()

如果你的曲线是断开的非连通线条，那可以先做形态学膨胀来连接断点，再进行轮廓检测——这个思路也能用到你第二个问题里。

你的思路是垂直分割区域统计白色元素，但二值化带来的边缘间隙确实会让很多区域“漏检”。我给你几个针对性的解决方向，按优先级排序：

1. 先修复二值化后的边缘间隙 #

从源头解决问题，让帽子边缘尽可能连续：

• 换用自适应二值化：全局阈值二值化很容易因为光照不均或边缘灰度渐变导致断裂，试试cv2.adaptiveThreshold()，它会根据局部区域的灰度计算阈值，更贴合帽子边缘的实际情况：

  gray_img = cv2.imread('hats_image.jpg', cv2.IMREAD_GRAYSCALE)
  # 自适应二值化：blockSize是局部区域大小（必须为奇数），C是微调阈值的常数
  binary_img = cv2.adaptiveThreshold(gray_img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, 
                                     cv2.THRESH_BINARY_INV, 11, 2)
  

• 用闭运算填补间隙：闭运算（先膨胀后腐蚀）专门用来填补小孔洞、连接断裂的边缘。调整结构元素的大小可以适配不同的间隙宽度：

  # 创建3x3的矩形结构元素，间隙大的话可以改成5x5
  kernel = np.ones((3, 3), np.uint8)
  # 执行闭运算
  closed_img = cv2.morphologyEx(binary_img, cv2.MORPH_CLOSE, kernel)
  

• 二值化前去噪：先用高斯模糊或中值模糊减少图像噪点，避免噪点干扰二值化结果：

  gray_img = cv2.GaussianBlur(gray_img, (5, 5), 0)
  

2. 改进统计方法，摆脱对细分割区域的依赖 #

如果修复边缘后还是有问题，不如换一种更可靠的统计思路：

• 直接检测帽子轮廓计数：这是最直观的方法——帽子本身是有完整轮廓的，预处理后用轮廓检测，过滤掉不符合帽子大小的轮廓，剩下的数量就是帽子数：

  # 预处理后的图像（闭运算后的二值图）
  contours, _ = cv2.findContours(closed_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  # 过滤掉面积过小（噪点）或过大（背景）的轮廓，阈值根据你的帽子大小调整
  hat_contours = [cnt for cnt in contours if 200 < cv2.contourArea(cnt) < 2000]
  hat_count = len(hat_contours)
  print(f"帽子数量: {hat_count}")
  

• 垂直投影统计峰值：计算每一列的白色像素数量，然后找投影中的峰值区间，每个区间对应一个帽子：

  # 计算垂直方向的白色像素投影
  vertical_proj = np.sum(closed_img == 255, axis=0)
  # 设定阈值，找出连续超过阈值的区间（每个区间对应一个帽子）
  threshold = np.mean(vertical_proj) * 0.5
  in_hat = False
  hat_count = 0
  for val in vertical_proj:
      if val > threshold and not in_hat:
          hat_count += 1
          in_hat = True
      elif val <= threshold:
          in_hat = False
  print(f"帽子数量: {hat_count}")
  

• 调整分割区域大小：如果坚持用你的分割思路，可以减少区域数量（比如从250改成50-100个），让每个区域更宽，即使边缘有间隙，也能覆盖到帽子的部分边缘，减少漏检。

3. 优化频次统计逻辑 #

如果还是想用区域统计的频次方法，可以对统计结果做平滑处理，比如用滑动窗口平均，或者用K-means聚类把统计值分组，取数量最多的组的中心值作为结果，比单纯取频次最高的数值更稳定。

内容的提问来源于stack exchange，提问作者Thiago Resende