基于卫星图像的农田作物区域检测：OpenCV处理难题求助

阿华AIGC实验室

2026-5-27

卫星农田地块检测的基础方法建议

嗨，我来给你几个适合从基础入手的实用思路，帮你搞定卫星图像里的作物区域检测～

一、优化阈值与形态学处理，规整二值图像

你现在用全局阈值得到的结果噪点多、轮廓乱，核心原因是卫星图像光照不均，全局阈值没法适配局部区域。可以试试这两个方向：

自适应阈值/Otsu阈值：自适应阈值会根据每个局部区域的灰度调整阈值，能更好应对光照差异；Otsu阈值则会自动计算最优的全局阈值，适合灰度分布比较明显的图像。可以结合高斯模糊后使用，示例代码：

import cv2
import numpy as np

# 转灰度+高斯模糊
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)
# 自适应阈值（反二值化，让农田区域为白色）
thresh = cv2.adaptiveThreshold(blur, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)

形态学操作清洗图像：阈值后的图像难免有小噪点或空洞，用开运算（先腐蚀再膨胀）去掉细碎噪点，闭运算填补小空洞，让地块轮廓更规整：

# 创建结构元素
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
# 开运算去噪
cleaned_thresh = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
# 闭运算补空洞
cleaned_thresh = cv2.morphologyEx(cleaned_thresh, cv2.MORPH_CLOSE, kernel, iterations=1)

二、用好你提到的洪水填充，精准定位单地块

洪水填充确实适合检测点击位置的地块，只要调整好容差就能避免溢出到其他地块：

先对图像做平滑处理（比如高斯模糊），减少局部灰度波动；
设置合适的loDiff和upDiff参数，同一块农田的灰度差异一般不大，可以设为10-20左右；

示例代码（假设你用鼠标点击获取种子点(x,y)）：

# 复制图像用于绘制结果
flood_img = img.copy()
# 设置填充的掩码（要比原图大2px）
mask = np.zeros((img.shape[0]+2, img.shape[1]+2), np.uint8)
# 洪水填充，用红色标记目标地块
cv2.floodFill(flood_img, mask, (x,y), (0,0,255), loDiff=(10,10,10), upDiff=(10,10,10))

如果想自动检测所有地块，可以先通过轮廓检测找到每个地块的种子点（比如轮廓中心），再批量做洪水填充。

三、换个颜色空间，精准提取作物区域

卫星图像的RGB空间不一定是最优选择，试试HSV或LAB空间，作物的绿色在这些空间里更容易区分：
比如用HSV提取绿色作物区域：

# 转HSV颜色空间
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
# 定义绿色的HSV范围（根据你的图像微调，不同卫星图像的绿色色调可能有差异）
lower_green = np.array([30, 40, 40])
upper_green = np.array([90, 255, 255])
# 生成绿色掩码
green_mask = cv2.inRange(hsv, lower_green, upper_green)
# 再对掩码做形态学清洗，之后就能找轮廓了

四、轮廓检测+筛选，区分不同地块

不管用阈值还是颜色掩码得到二值图后，都可以用轮廓检测提取地块，再过滤掉小噪点：

# 找外部轮廓
contours, _ = cv2.findContours(cleaned_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 筛选掉面积太小的轮廓（根据图像分辨率调整min_area）
min_area = 1000
valid_fields = [cnt for cnt in contours if cv2.contourArea(cnt) > min_area]
# 在原图上绘制地块轮廓
result = img.copy()
cv2.drawContours(result, valid_fields, -1, (0,255,0), 2)