视觉图像面积计算

在图像处理和计算机视觉中，计算对象面积的常见方法有两种：使用四邻域标记算法和使用轮廓计算。每种方法在不同情况下有各自的优缺点。

四邻域标记算法：
- 优点：
  - 简单易实现。
  - 能够处理带有孔洞的复杂区域（只要孔洞不影响连通性判断）。
- 缺点：
  - 对于边缘不清晰或有噪声的图像，可能会导致面积计算误差。
  - 依赖于图像分辨率和阈值选择的精度。
轮廓计算：
- 优点：
  - 通常更精确，因为它直接使用对象的边缘来计算面积。
  - 适合处理边界清晰的对象。
  - 可以在亚像素级别计算面积，提供更高精度。
- 缺点：
  - 计算复杂度相对较高，特别是在图像边缘检测和轮廓提取步骤。
  - 对于有噪声的图像，边缘检测可能会失败或产生错误的轮廓。

更准确的选择

通常情况下，使用轮廓计算面积更为准确，特别是在以下情况下：

图像边缘清晰。
需要高精度的面积计算。
可以处理复杂形状和多种连通区域。

分别代码：

1 轮廓

python 复制代码

# 获取连通域的边界和标签   # 查看各个轮廓
    contours, _ = cv2.findContours(gray_frame_seg, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 筛选出面积较小的轮廓
    option_contours = [cnt for cnt in contours if cv2.contourArea(cnt) > area_threshold]
    logging.info(f'count: {len(contours)}, option contours: {len(option_contours)}')
    # 初始化要计算的参数
    num_contours = len(option_contours)
    areas = np.zeros(num_contours)

2 四邻域标记算法

python 复制代码

    def calculate_perimeter():
        """计算连通区域的周长"""
        contours, _ = cv2.findContours(region.astype(np.uint8), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
        perimeter = 0
        for contour in contours:
            perimeter += cv2.arcLength(contour, True)
        return perimeter

    # 找到连通区域并计算每个区域的面积和周长
    labeled_array, num_features = label(gray_frame_seg)
    print(f'labeled_array, num_features:{labeled_array, num_features}')
    areas1 = []
    perimeters1 = []

    # 遍历每个连通区域
    for region_slice in find_objects(labeled_array):
        region = labeled_array[region_slice]
        area = np.sum(region > 0)
        perimeter = calculate_perimeter()
        areas1.append(area)
        perimeters1.append(perimeter)
    print(f'sort areas, len:{len(areas1)}:\n{sorted(areas1)}')
    return areas1, perimeters1