基于OpenCV的图像条纹计数算法优化：抗光照干扰需求

我明白你现在遇到的核心问题是全局阈值法对光照变化鲁棒性极差——亮区会误判出伪条纹，调低阈值又会漏检正常场景的条纹。既然你提到可以用导数类思路，那咱们可以从灰度变化的梯度特征入手，因为条纹本质是灰度的突变，而非单纯的灰度值高低，这刚好能避开光照导致的全局灰度偏移问题。

核心思路：基于梯度/边缘检测的条纹计数 #

条纹的形成是相邻区域灰度发生突变，所以我们可以通过计算图像的**一阶导数（梯度）**来捕捉这些突变点，完全摆脱对固定灰度阈值的依赖。具体步骤可以这样设计：

步骤1：预处理（弱化光照噪声） #

先做轻度高斯模糊，消除光照带来的局部噪声，同时保留条纹的边缘特征：

# 伪代码（以Python/OpenCV为例，iOS端OpenCV逻辑一致）
import cv2
import numpy as np

# 读入图像并转灰度
img = cv2.imread("stripes_image.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 高斯模糊，核大小根据条纹粗细调整，比如(3,3)或(5,5)
blurred = cv2.GaussianBlur(gray, (3, 3), 0)

步骤2：计算梯度（一阶导数） #

用Sobel算子计算对应方向的梯度（假设是垂直条纹，就计算水平梯度；水平条纹则计算垂直梯度），然后取梯度的绝对值：

# 计算水平方向梯度（垂直条纹的边缘是水平方向的突变）
grad_x = cv2.Sobel(blurred, cv2.CV_64F, 1, 0, ksize=3)
abs_grad_x = cv2.convertScaleAbs(grad_x)

这里的梯度值代表灰度变化的剧烈程度：真实条纹的边缘会有高梯度值，而光照导致的缓慢灰度变化（伪条纹成因）梯度值极低，刚好能区分开。

步骤3：梯度图的有效边缘提取 #

从梯度图中筛选出真正的条纹边缘，可以结合形态学操作和轮廓检测：

# 形态学膨胀，把连续的边缘连起来，核大小根据条纹间距调整
kernel = np.ones((3, 5), np.uint8)
dilated = cv2.dilate(abs_grad_x, kernel, iterations=1)

# 提取外部轮廓（一条垂直条纹对应左右两个边缘）
contours, _ = cv2.findContours(dilated, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 过滤掉小噪声轮廓，根据实际条纹大小设置面积阈值
valid_contours = [cnt for cnt in contours if cv2.contourArea(cnt) > 200]

# 条纹数量 = 有效轮廓数 // 2（一条条纹对应两个边缘）
stripe_count = len(valid_contours) // 2

进阶优化：局部自适应梯度过滤 #

如果仍有少量伪边缘，可以对梯度图做局部自适应阈值（针对梯度值的局部统计，而非原始灰度）：

# 对梯度图做局部自适应二值化，只保留局部高梯度区域
binary_grad = cv2.adaptiveThreshold(abs_grad_x, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

这一步能进一步过滤光照导致的低梯度伪边缘。

简洁替代方案：基于灰度差分的峰值计数 #

如果是规则条纹（比如等间距），还可以计算列/行的平均灰度，然后对一维数组做差分找峰值：

# 计算每列的平均灰度（垂直条纹场景）
col_avg = np.mean(blurred, axis=0)
# 计算一阶差分，捕捉灰度突变点
diff = np.diff(col_avg)
# 找差分的正负峰值（条纹的上升沿和下降沿）
peaks = np.where((np.sign(diff[:-1]) != np.sign(diff[1:])))[0]
# 条纹数量 = 峰值数 // 2
stripe_count = len(peaks) // 2

这个方法更轻量化，适合规则条纹场景，对光照的鲁棒性极强——因为我们关注的是灰度变化趋势，而非绝对值。

为什么这个方案能解决你的问题？ #

• 全局阈值法依赖灰度绝对值，光照变化会让全局灰度整体偏移，导致误判；
• 导数/梯度方法关注的是灰度变化率，光照导致的缓慢灰度变化（伪条纹）梯度值远低于真实条纹边缘，能有效区分；
• 结合局部自适应或形态学操作，可进一步适配不同场景的噪声水平。

你可以根据条纹方向调整梯度计算方向，根据条纹粗细、间距调整模糊核、形态学核的大小，以及轮廓面积阈值，在iPad上用OpenCV的iOS版本就能轻松实现这些逻辑。

内容的提问来源于stack exchange，提问作者Fab