Blob计算机视觉入门指南：从基础概念到实战应用

1次阅读

共计 1566 个字符，预计需要花费 4 分钟才能阅读完成。

传统像素级处理就像用放大镜观察每个小格子（像素），而 Blob 分析则是把注意力放在连成片的『色块团』上。想象我们要数一张照片中的硬币数量——Blob 方法能直接识别每个圆形区域，而不用逐个像素判断。

二值化处理
像给照片『去色』，只保留黑白两色。OpenCV 中常用cv2.threshold()，注意选择适合的阈值类型（如 OTSU 自动阈值）。

# 示例：自适应阈值处理
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
_, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

连通域分析
通过 cv2.findContours() 找相连的白色区域，就像用笔勾勒出每个色块的边缘。关键参数 RETR_EXTERNAL 表示只检测最外层轮廓。
特征提取
计算每个 Blob 的『身份证信息』：
面积：cv2.contourArea(contour)
周长：cv2.arcLength(contour, True)
圆形度：4π* 面积 / 周长²（越接近 1 越圆）

import cv2
import numpy as np

def blob_detection(img_path):
    # 1. 图像预处理
    img = cv2.imread(img_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray, (5,5), 0)  # 高斯模糊去噪

    # 2. 动态阈值分割（适应不同光照）_, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

    # 3. 轮廓检测
    contours, _ = cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

    # 4. 特征计算与过滤
    for cnt in contours:
        area = cv2.contourArea(cnt)
        if area < 100: continue  # 忽略小噪点

        perimeter = cv2.arcLength(cnt, True)
        circularity = 4*np.pi*area/(perimeter**2)

        # 绘制结果
        cv2.drawContours(img, [cnt], -1, (0,255,0), 2)

    cv2.imshow('Result', img)
    cv2.waitKey(0)

# 使用示例
blob_detection('coins.jpg')