本文共 1315 字，大约阅读时间需要 4 分钟。

在OpenCV中，统计不规则形状区域中每种颜色的像素数可以通过以下步骤实现。这是一个实用且高效的解决方案，适用于图像分析和计算机视觉等领域。

1. 读取图像并转换为灰度格式

首先，我们需要读取图像文件并将其转换为灰度格式，因为OpenCV的轮廓检测和颜色分析通常基于灰度图像。使用cv2.imread()函数读取图像，然后将其转换为单通道灰度图像。

import cv2import numpy as np

img = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)

2. 使用阈值二值化处理

为了更容易检测形状，我们使用cv2.threshold()函数对图像进行全局二值化处理。这里可以选择Otsu's阈值方法，它能够自动寻找最佳阈值。

ret, binary = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

3. 找到轮廓并计算面积

接下来，使用cv2.findContours()函数找出图像中的所有轮廓。每个轮廓都可以通过计算其面积来获取形状的大小信息。

contours, hierarchy = cv2.findContours(binary, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

4. 创建填充区域并统计颜色像素数

为了统计每种颜色的像素数，我们创建一个与原图大小相同的空白画布。然后遍历每个轮廓，根据轮廓的面积填充对应区域。这里假设填充颜色为白色（255）。

area_count = np.zeros((binary.shape[0], binary.shape[1]), dtype=np.uint8)

for contour in contours:    cnt_area = cv2.contourArea(contour)    cv2.drawContours(area_count, [contour], -1, 255, -1)

5. 统计每种颜色的像素数

最后，使用numpy的unique()函数获取填充区域的唯一颜色列表及其对应的像素数。通过减去背景（通常为0），我们可以得到每种颜色的实际像素数。

unique_colors, counts = np.unique(area_count, return_counts=True)color_pixel_count = {color: count - 1 for color, count in zip(unique_colors, counts)}

6. 输出结果

打印颜色及其对应的像素数，方便查看和分析。

print("颜色及其对应像素数：", color_pixel_count)

注意事项

• 请确保在代码中将' image.jpg'替换为实际使用的图像文件路径。
• 如果需要更高级的分析，可以考虑对图像进行预处理或使用更复杂的算法。
• 如果需要进一步优化，可以尝试使用更高效的算法或减少不必要的计算步骤。

这个方法简单易懂，适合处理不规则形状区域的颜色统计问题。

转载地址：http://vwpfk.baihongyu.com/