图像分割基础：阈值分割、边缘检测与形态学操作
各位同学，欢迎来到第四讲。今天我们要聊的，是叶片表面缺陷自动标注里最核心的几把“手术刀”——图像分割。说白了，就是把缺陷从背景里“切”出来。
我刚开始做视觉项目那会儿，总觉得深度学习万能。后来发现，很多工业场景下，传统图像分割方法反而更稳、更快。尤其是叶片这种高反光、纹理复杂的表面，纯靠深度学习容易过拟合。嗯，今天咱们就把基础打牢。
核心逻辑：图像分割 = 找到目标区域 + 剔除干扰 + 提取特征。阈值分割负责“粗切”，边缘检测负责“精修”，形态学操作负责“善后”。
一、阈值分割：把灰度图变成黑白图
阈值分割，是所有分割方法里最直观的。你设定一个灰度值T，大于T的算一类，小于T的算另一类。就这么简单。
但实际项目中，难点在于“T怎么选”。我记得有一次做叶片裂纹检测，裂纹和背景的灰度差只有10个像素值。全局阈值死活分不开。后来换了自适应阈值，才把裂纹“揪”出来。
1.1 全局阈值
适合光照均匀的场景。比如叶片在标准光源下，背景是纯色。
import cv2
import numpy as np
img = cv2.imread('leaf_defect.jpg', 0)
# 全局阈值，T=127
ret, thresh = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
cv2.imshow('Global Threshold', thresh)我的习惯：先用直方图看看灰度分布。如果双峰明显，全局阈值就够用。如果单峰或者平缓，赶紧换自适应。
1.2 自适应阈值
说白了，就是让算法根据局部区域自动算T。光照不均的叶片表面，这招特别好使。
# 自适应阈值，blockSize=11，C=2
adaptive_thresh = cv2.adaptiveThreshold(
img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY, 11, 2
)
cv2.imshow('Adaptive Threshold', adaptive_thresh)避坑指南：blockSize必须是奇数。C值越大，分割越“松”。我曾经设C=10，结果把背景噪声全当成了缺陷。后来调小到2，效果才正常。
二、边缘检测：找到缺陷的“轮廓”
阈值分割只能得到区域，但缺陷的形状、边界信息，还得靠边缘检测。你想想看，叶片上的划痕、凹坑，本质上都是灰度突变的地方。边缘检测就是抓这些突变。
2.1 Sobel算子
Sobel算子是基础的一阶导数算子。它计算x方向和y方向的梯度，然后合成。优点是快，缺点是对噪声敏感。
# Sobel边缘检测
sobel_x = cv2.Sobel(img, cv2.CV_64F, 1, 0, ksize=3)
sobel_y = cv2.Sobel(img, cv2.CV_64F, 0, 1, ksize=3)
sobel_combined = cv2.magnitude(sobel_x, sobel_y)
sobel_combined = np.uint8(np.clip(sobel_combined, 0, 255))
cv2.imshow('Sobel Edge', sobel_combined)经验之谈：ksize=3最常用。ksize=5会丢失细节，但噪声更少。我一般先试3，如果噪声太多再换5。
2.2 Canny边缘检测
Canny是工业界的老大哥。它做了非极大值抑制和双阈值处理，边缘更干净、更连续。我个人习惯，只要不是实时性要求极高，都用Canny。
# Canny边缘检测，阈值50和150
edges = cv2.Canny(img, 50, 150)
cv2.imshow('Canny Edge', edges)为什么Canny效果好？因为它先平滑去噪，再找梯度，最后用两个阈值筛选。低阈值以下的不要，高阈值以上的保留，中间的看是否连接。嗯，这个逻辑很聪明。
调参技巧：低阈值:高阈值 ≈ 1:2 或 1:3。比如(30, 90)或(50, 150)。我遇到过叶片表面纹理很密，阈值设低了全是纹理，设高了又漏掉缺陷。后来用(40, 120)才平衡。
三、形态学操作：给分割结果“美容”
分割完的图像，往往有毛刺、空洞、孤立点。形态学操作就是用来处理这些“瑕疵”的。说白了，就是腐蚀、膨胀、开运算、闭运算这四板斧。
| 操作 | 作用 | 典型场景 |
|---|---|---|
| 腐蚀 | 缩小前景区域，去除小噪点 | 去掉叶片上的孤立亮点 |
| 膨胀 | 扩大前景区域，填充小空洞 | 连接断裂的缺陷边缘 |
| 开运算 | 先腐蚀后膨胀，去除毛刺 | 平滑缺陷边界 |
| 闭运算 | 先膨胀后腐蚀，填充空洞 | 填补缺陷内部的孔洞 |
# 形态学操作示例
kernel = np.ones((5,5), np.uint8)
# 腐蚀
erosion = cv2.erode(thresh, kernel, iterations=1)
# 膨胀
dilation = cv2.dilate(thresh, kernel, iterations=1)
# 开运算
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)
# 闭运算
closing = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel)注意：kernel大小和迭代次数别贪多。我曾经为了去噪，迭代了5次腐蚀，结果缺陷本身也被“吃”掉了。一般1-2次就够了。
四、实战组合拳：叶片缺陷分割流水线
好了，咱们把今天学的串起来。一个典型的叶片缺陷自动标注流程是这样的：
- 灰度化：把彩色图转成单通道，减少计算量。
- 自适应阈值分割：得到缺陷的粗分割区域。
- Canny边缘检测：提取缺陷的精确边界。
- 形态学闭运算：填充边缘内部的空洞，让缺陷区域连续。
- 轮廓提取：用cv2.findContours拿到缺陷的轮廓坐标，用于后续标注。
# 完整流水线示例
def leaf_defect_segmentation(image_path):
img = cv2.imread(image_path, 0)
# 1. 自适应阈值
thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY_INV, 11, 2)
# 2. Canny边缘
edges = cv2.Canny(thresh, 30, 90)
# 3. 闭运算填充
kernel = np.ones((3,3), np.uint8)
closed = cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel, iterations=2)
# 4. 轮廓提取
contours, _ = cv2.findContours(closed, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
return contours核心思路：阈值分割做“粗定位”，边缘检测做“精修”，形态学做“善后”。三步走，缺一不可。
嗯，今天的内容就到这儿。这些方法看着基础，但我在实际项目中，80%的叶片缺陷都能用这套组合拳搞定。剩下的20%，才需要上深度学习。所以，别小看传统方法。
公众号:蓝海资料掘金营，微信deep3321