基于Python提取打印ECG图像中波形的技术咨询

嘿，我完全懂你现在的困扰——试过阈值分割、梯度检测、色彩空间转换这些常规方法，要么因为RGB值太接近失效，要么丢失关键的波形峰值，确实让人头大！结合你提供的ECG图像特点（波形和背景色彩差异细微但有区分度），我给你分享几个更针对性的Python方案，应该能解决你的问题：

1. 颜色聚类法：精准区分波形与背景 #

既然直接阈值分割因为色彩接近失效，我们可以用K-means颜色聚类把图像中的像素分成“背景”和“波形”两类，这种方法能捕捉到肉眼难分辨的色彩差异：

import cv2
import numpy as np
from sklearn.cluster import KMeans

# 读取图像（替换成你的图片路径）
img = cv2.imread('ecg_image.jpg')
# OpenCV默认BGR，转成RGB方便聚类
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 将图像重塑为像素点列表
pixels = img_rgb.reshape(-1, 3)

# 聚类为2类（背景和波形），固定随机种子保证结果稳定
kmeans = KMeans(n_clusters=2, random_state=42)
kmeans.fit(pixels)
# 把聚类标签映射回原图像尺寸
labels = kmeans.labels_.reshape(img_rgb.shape[:2])

# 确定哪一类是波形：计算聚类中心的亮度总和，波形（深色）的总和会更小
cluster_brightness = kmeans.cluster_centers_.sum(axis=1)
wave_cluster_idx = np.argmin(cluster_brightness)

# 生成波形掩码，转成8位灰度图格式
mask = (labels == wave_cluster_idx).astype(np.uint8) * 255

# 用形态学闭运算补全波形的细微缺口（比如峰值处的断裂）
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))
mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)

# 提取最终波形
extracted_wave = cv2.bitwise_and(img, img, mask=mask)

2. 自适应阈值+形态学优化：保留细节阈值分割 #

普通全局阈值不行，试试自适应阈值——它会根据局部区域的像素值计算阈值，能适应图像中不同区域的亮度差异，再配合形态学操作补全峰值：

import cv2
import numpy as np

img = cv2.imread('ecg_image.jpg')
# 转灰度图
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 高斯加权自适应阈值，反转阈值让波形变成白色
adaptive_thresh = cv2.adaptiveThreshold(
    gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
    cv2.THRESH_BINARY_INV, blockSize=11, C=2
)

# 中值滤波去除杂点
adaptive_thresh = cv2.medianBlur(adaptive_thresh, 3)

# 小核膨胀操作，补全波形峰值的细微断裂
kernel = np.ones((2, 2), np.uint8)
final_wave = cv2.dilate(adaptive_thresh, kernel, iterations=1)

3. 边缘检测+轮廓筛选：锁定波形轮廓 #

如果波形的边缘特征比色彩更明显，可以用Canny边缘检测提取边缘，再通过轮廓筛选过滤掉杂点，只保留符合ECG波形形态的轮廓：

import cv2
import numpy as np

img = cv2.imread('ecg_image.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 高斯模糊先去噪，避免边缘检测误判
blurred = cv2.GaussianBlur(gray, (3, 3), 0)
# Canny边缘检测，调整上下阈值适配你的图像
edges = cv2.Canny(blurred, 50, 150)

# 寻找所有外部轮廓
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 筛选轮廓：保留长度足够长、宽高比符合ECG波形的轮廓（参数根据你的图像调整）
filtered_contours = []
for cnt in contours:
    contour_length = cv2.arcLength(cnt, closed=False)
    x, y, w, h = cv2.boundingRect(cnt)
    aspect_ratio = w / h
    # 只保留长条形的轮廓（ECG波形是横向延伸的）
    if contour_length > 50 and aspect_ratio > 5:
        filtered_contours.append(cnt)

# 在空白图像上绘制提取的波形
wave_img = np.zeros_like(img)
cv2.drawContours(wave_img, filtered_contours, -1, (0, 255, 0), 1)

额外调试技巧 #

• 如果你用颜色聚类效果不佳，可以试试把图像转到Lab色彩空间，用a通道（红绿色差）来聚类，很多时候波形和背景的色差在这个通道会更明显；
• 形态学操作的核大小可以根据波形的粗细调整：波形细就用(2,2)，粗一点就用(3,3)；
• 自适应阈值的blockSize必须是奇数，C值是调整阈值的偏移量，你可以多试几个值（比如1、2、3）找到最优解。

内容的提问来源于stack exchange，提问作者MadLordDev