如何用Python统计含噪网格图中的阴影与非阴影矩形？技术咨询

我太懂这种困境了——带噪声的网格图总能把常规的CV方法搞崩，轮廓检测被小噪点干扰得一团糟，霍夫线检测出一堆冗余线条后又不知道怎么落地。结合我处理类似任务的经验，给你一套更针对性的推进方案：

第一步：先把噪声干掉，预处理是关键 #

所有后续操作的基础都是干净的图像，之前的方法失效大概率是预处理没做足：

• 自适应阈值化：别用普通的cv2.threshold，网格图往往存在光照不均，cv2.adaptiveThreshold能根据局部区域的灰度值调整阈值，完美区分网格线和背景。代码示例：

  import cv2
  import numpy as np
  
  img = cv2.imread("your_grid_image.jpg", 0)  # 转灰度图
  # 自适应高斯阈值，INV是让网格线变成白色，背景黑色
  thresh = cv2.adaptiveThreshold(
      img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2
  )
  

• 形态学清理：用开运算（先腐蚀再膨胀）去掉小噪点，闭运算填补网格线的细微缺口。选矩形核适配网格的形状：

  kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
  cleaned_img = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=1)
  cleaned_img = cv2.morphologyEx(cleaned_img, cv2.MORPH_CLOSE, kernel, iterations=1)
  

第二步：二选一提取网格结构 #

根据你的网格规则程度，选下面两种方案：

方案A：霍夫线聚类（适合规则网格） #

如果你已经用霍夫线检测出线条，接下来的核心是去重聚类，得到真正的网格线：

1. 分类线条：把检测到的线分成水平和垂直两类（通过斜率判断，水平线条y坐标变化极小，垂直线条x坐标变化极小）
2. 聚类去重：把同一位置的重复线条合并，比如对水平线条的y坐标排序后，用阈值合并接近的值（阈值根据你的网格间距调整）：

   # 假设霍夫线检测结果是lines = cv2.HoughLinesP(cleaned_img, ...)
   horizontal_ys = []
   vertical_xs = []
   for line in lines:
       x1, y1, x2, y2 = line[0]
       if abs(y2 - y1) < 5:  # 水平线条
           horizontal_ys.append((y1 + y2) // 2)
       elif abs(x2 - x1) < 5:  # 垂直线条
           vertical_xs.append((x1 + x2) // 2)
   
   # 去重水平线条
   horizontal_ys = sorted(list(set(horizontal_ys)))
   filtered_h = []
   prev_y = None
   for y in horizontal_ys:
       if prev_y is None or y - prev_y > 4:  # 间距阈值，按需调整
           filtered_h.append(y)
           prev_y = y
   # 垂直线条同理处理得到filtered_v
   

3. 生成矩形：有了干净的水平和垂直坐标列表，两两组合就能得到所有矩形的四个顶点（比如(filtered_v[i], filtered_h[j])作为左上角，(filtered_v[i+1], filtered_h[j+1])作为右下角）

方案B：优化轮廓检测（适合不规则网格） #

如果之前用轮廓检测失败，试试加筛选条件：

1. 找轮廓后，用cv2.approxPolyDP把轮廓近似成多边形，只保留4个顶点的轮廓（矩形特征）
2. 额外筛选：排除面积太小的噪点轮廓，检查轮廓的宽高比是否符合网格的大致比例，甚至可以验证四个角是否为直角

   contours, _ = cv2.findContours(cleaned_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
   rect_contours = []
   for cnt in contours:
       area = cv2.contourArea(cnt)
       if area < 50 or area > 5000:  # 过滤过小/过大的轮廓
           continue
       # 近似多边形
       epsilon = 0.02 * cv2.arcLength(cnt, True)
       approx = cv2.approxPolyDP(cnt, epsilon, True)
       if len(approx) == 4:  # 矩形是4个顶点
           rect_contours.append(approx)
   

第三步：区分阴影与非阴影矩形 #

不管用哪种方法得到矩形，判断阴影的核心是区域灰度统计：

1. 对每个矩形区域，提取灰度均值（如果是彩色图可以转成HSV取亮度通道）
2. 提前统计非阴影区域的平均灰度值，设定一个阈值（比如阴影区域的均值是非阴影的70%-80%），低于阈值的就是阴影矩形

   # 假设非阴影区域的均值已经通过采样得到non_shadow_mean
   for rect in rect_contours:
       # 获取矩形的边界框
       x, y, w, h = cv2.boundingRect(rect)
       roi = img[y:y+h, x:x+w]
       mean_gray = np.mean(roi)
       if mean_gray < non_shadow_mean * 0.8:
           print("这是阴影矩形")
       else:
           print("这是非阴影矩形")
   

最后补充几个小技巧 #

• 如果网格线很细，可以先做一次膨胀操作加粗线条，方便后续检测
• 对于噪声特别大的图，可以试试高斯模糊（cv2.GaussianBlur）配合自适应阈值，效果会更好
• 统计矩形数量时，注意排除那些不完整的矩形（比如只有三条边的），可以通过检查矩形的四条边是否都在网格线中，或者区域内的像素覆盖率

内容的提问来源于stack exchange，提问作者jayant rohra