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。

  1. 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。
  2. 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
相关推荐
寒月霜华32 分钟前
机器学习-数据标注
人工智能·机器学习
paid槮1 小时前
机器视觉之图像处理篇
图像处理·opencv·计算机视觉
九章云极AladdinEdu1 小时前
超参数自动化调优指南:Optuna vs. Ray Tune 对比评测
运维·人工智能·深度学习·ai·自动化·gpu算力
人工智能训练师2 小时前
Ubuntu22.04如何安装新版本的Node.js和npm
linux·运维·前端·人工智能·ubuntu·npm·node.js
cxr8284 小时前
SPARC方法论在Claude Code基于规则驱动开发中的应用
人工智能·驱动开发·claude·智能体
风中的微尘4 小时前
39.网络流入门
开发语言·网络·c++·算法
研梦非凡4 小时前
ICCV 2025|从粗到细:用于高效3D高斯溅射的可学习离散小波变换
人工智能·深度学习·学习·3d
幂简集成5 小时前
Realtime API 语音代理端到端接入全流程教程(含 Demo,延迟 280ms)
人工智能·个人开发
龙腾-虎跃5 小时前
FreeSWITCH FunASR语音识别模块
人工智能·语音识别·xcode
智慧地球(AI·Earth)5 小时前
给AI配一台手机+电脑?智谱AutoGLM上线!
人工智能·智能手机·电脑