计算机视觉 / 系统课时
统计独立目标数量
统计独立目标数量
独立目标计数的可靠做法是先把前景变成干净的二值区域,再把每个连通对象转成轮廓,并用面积等条件排除噪声。本篇构造一张含三个目标和若干噪点的测试图,完成二值化、形态学清理、轮廓筛选和最终计数。
学习目标
- 将灰度图稳定转换为前景二值掩膜
- 使用形态学操作减少小噪声并保持主体区域
- 通过轮廓面积筛选独立对象并统计数量
把计数问题转换为轮廓问题
计数前要先明确什么算“一个目标”。对于彼此分离、颜色或亮度与背景差异明显的物体,可以把流程拆成二值化、形态学清理、查找外轮廓、面积筛选和计数。这样数量由通过筛选的轮廓数决定,而不是由原图中的纹理数量决定。

用完整示例统计目标
示例用固定阈值把深色背景上的亮目标提取为白色前景,再通过开运算去除小白点。RETR_EXTERNAL 只取最外层轮廓,适合“每个外部对象算一次”的计数规则。
python
import cv2
import numpy as np
image = np.zeros((420, 640), dtype=np.uint8)
cv2.rectangle(image, (70, 80), (190, 230), 220, -1)
cv2.circle(image, (330, 155), 70, 220, -1)
cv2.rectangle(image, (460, 240), (580, 350), 220, -1)
for point in [(30, 30), (250, 330), (610, 70), (400, 60)]:
cv2.circle(image, point, 2, 255, -1)
_, binary = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
cleaned = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel)
contours, _ = cv2.findContours(
cleaned, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE
)
valid_contours = [c for c in contours if cv2.contourArea(c) >= 1000]
result = cv2.cvtColor(image, cv2.COLOR_GRAY2BGR)
cv2.drawContours(result, valid_contours, -1, (0, 180, 0), 2)
cv2.imwrite("object_count_result.png", result)
print(f"独立目标数量: {len(valid_contours)}")
print("结果图已保存: object_count_result.png")预期输出:
text
独立目标数量: 3
结果图已保存: object_count_result.png这段代码的面积阈值只适用于当前测试尺寸。换成真实图像后,应根据目标最小面积重新设定,不能把 1000 当作通用值。
选择二值化和形态学策略
背景光照均匀时,固定阈值最直接;亮度变化明显时,可改用 Otsu 或自适应阈值。开运算适合删除孤立前景噪点,闭运算适合填补主体内部的小孔洞,但结构元素过大也可能把相邻目标粘成一个区域,从而让计数偏小。
识别计数偏差的根因
如果数量偏大,先检查是否有纹理碎片或小噪声通过面积阈值,再考虑提高最小面积或加强轻度开运算。如果数量偏小,重点检查两个目标是否在二值图中粘连、阈值是否吞掉弱目标,或 RETR_EXTERNAL 是否忽略了你原本希望单独统计的内部结构。
对于明显粘连的目标,单纯 findContours 往往只能得到一个轮廓。此时应在当前流程前加入距离变换与分水岭等分离方法;只有当“一个物体对应一个独立前景区域”成立时,轮廓数量才可以直接解释为目标数量。
按自己的节奏,确认真正理解。