简介本资源是天津工业大学机器视觉课程期末实践项目面向高校自动化、测控、人工智能等专业本科生聚焦工业场景下的精密尺寸测量问题。学生基于MATLAB实现钢销图像的预处理、边缘检测与亚像素级直径计算并通过实验报告系统呈现算法设计、误差分析与精度验证全过程兼具理论深度与工程落地性。压缩包共3个文件2个MATLAB源码文件负责图像读取、二值化、Hough变换拟合及尺寸标定1份Word实验报告详述原理、步骤、结果图表与改进建议总大小仅129KB轻量易用结构紧凑。已有900人学习下载适合初学机器视觉的学生快速掌握图像测量核心流程——从原始图像到量化结果的完整闭环同时获得可复现的代码框架、规范的实验文档范式及典型工业检测案例的调试思路。1. 机器视觉到底是什么——别被名字吓住它其实就是教电脑“看懂”图像的入门手艺你有没有试过用手机拍一张水果照片APP 就立刻告诉你这是苹果还是香蕉或者扫个快递单系统自动框出单号、识别收件人这些背后不是魔法而是一门叫“机器视觉”的技术在干活。简单说机器视觉就是让计算机像人一样能“看见”图像、“理解”画面里有什么、在哪、长什么样——不是靠人盯着屏幕手动标而是靠代码和模型自动完成。它不等于人工智能的全部但却是 AI 落地最扎实、最常被用到的“眼睛”。对零基础的新手来说它不像深度学习那样一上来就堆数学公式也不需要你先会写神经网络它从图像读取、裁剪、调色、找边缘、数圆点这些“看得见、摸得着”的操作起步每一步都有结果可验证改一个参数就能看到图变亮了、轮廓更清楚了、目标被框出来了——这种即时反馈特别适合刚上手的人建立信心。天津工业大学这份期末作业包就是按这个思路设计的没有空讲理论全是带注释的 Python 小例子从打开一张图开始到最终识别出图中几个特定形状全程可复制、可调试、可打断、可重来。如果你连 OpenCV 是什么都不知道但想亲手做出第一个“能认东西”的程序这份材料就是为你准备的起点。2. 为什么这份作业包是新手友好的第一块敲门砖它把机器视觉拆成了“五步可走”的实操路径很多初学者一搜“机器视觉入门”扑面而来的是“卷积神经网络”“YOLOv8 模型训练”“GPU 显存配置”……直接劝退。但真实的学习路径不该是这样。我第一次带 A 同学入门时他连 pip install 都输错三次最后我们用三天时间只做了五件事读图 → 灰度化 → 高斯模糊 → Canny 边缘检测 → 找轮廓并画框。做完后他指着屏幕上那个被红框圈住的硬币说“原来‘识别’就是这么回事”——这正是这份天津工业大学作业包的设计逻辑它不追求炫技而是把机器视觉最核心的感知链路压缩成一套可逐行运行、每步有图可验的最小闭环。下面我们就按这个闭环一步步拆解它到底怎么走。2.1 第一步加载图像——不是“读文件”而是让电脑真正“看见”这张图机器视觉的第一步永远不是建模而是让程序拿到一张真实的图像数据。很多人卡在这一步不是因为代码难而是没搞清“图”在电脑里到底是什么。它不是你相册里那个带缩略图的 jpg 文件而是一堆数字组成的三维数组高度 × 宽度 × 通道数彩色图是 3 层R/G/B灰度图是 1 层。作业包里第一个脚本01_load_image.py就是干这个的import cv2 import matplotlib.pyplot as plt # 用 OpenCV 读取图像注意默认读成 BGR 格式不是 RGB img_bgr cv2.imread(sample.jpg) # 把 BGR 转成 RGB否则用 matplotlib 显示会偏色 img_rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) # 用 matplotlib 显示原图 plt.figure(figsize(6, 4)) plt.imshow(img_rgb) plt.title(原始图像RGB) plt.axis(off) plt.show() # 打印图像基本信息 print(f图像形状{img_rgb.shape}) # 输出类似 (480, 640, 3) print(f数据类型{img_rgb.dtype}) # 通常是 uint80-255 的整数这段代码表面只是“显示一张图”但它埋了三个新手必须跨过的认知坎第一“cv2.imread()读出来的是 BGR不是 RGB”——这是 OpenCV 的历史习惯不是 bug。如果你直接用plt.imshow(img_bgr)人脸会发青因为 matplotlib 默认按 RGB 解释而 OpenCV 给的是蓝绿红顺序。所以必须加cv2.cvtColor(..., cv2.COLOR_BGR2RGB)这一行“翻译”。第二“.shape返回的是(高, 宽, 通道)”——和我们平时说“640×480”宽×高正好相反。这是 NumPy 数组的通用规则也是后续所有坐标操作比如画框、截区域的底层依据。第三“uint8表示每个像素值只能是 0~255 的整数”——这意味着所有计算都得在这个范围内做超了会自动截断比如 25010 变成 4不是 260这点后面调亮度时会翻车。提示作业包里附带的sample.jpg是一张清晰的工件图有圆形、方形、文字标签尺寸适中约 640×480专为新手调试设计。不要急着换自己手机拍的图——那些图往往太暗、太糊、有阴影第一步就容易让你怀疑人生。2.2 第二步转灰度图——不是“去色”而是为后续计算“减负降噪”彩色图有 3 个通道每个像素要算 3 次灰度图只有 1 个通道所有计算量直接砍掉三分之二。更重要的是很多视觉任务比如找边缘、测尺寸、数个数根本不需要颜色信息——一个螺丝钉是红是蓝不影响它是不是合格。所以第二步几乎所有的机器视觉流程都会先转灰度。作业包里的02_to_grayscale.py就是这一步import cv2 import matplotlib.pyplot as plt img_bgr cv2.imread(sample.jpg) # 直接用 cv2.cvtColor 转灰度比先转 RGB 再转灰度更高效 img_gray cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) plt.figure(figsize(10, 4)) plt.subplot(1, 2, 1) plt.imshow(cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)) plt.title(原图彩色) plt.axis(off) plt.subplot(1, 2, 2) plt.imshow(img_gray, cmapgray) # 注意灰度图要加 cmapgray否则显示发紫 plt.title(灰度图) plt.axis(off) plt.show() print(f灰度图形状{img_gray.shape}) # 输出类似 (480, 640)少了一个维度这里的关键细节是cmapgray。如果不加这一句plt.imshow(img_gray)会默认用彩色 colormap比如 viridis导致灰度图看起来是紫色渐变完全看不出明暗层次。这是新手最常忽略的“显示陷阱”——图其实转对了只是你没告诉 matplotlib “请用黑白方式画它”。另外你会发现img_gray.shape变成了(480, 640)没有第三个数字了说明它现在就是一个二维数组后续所有操作比如滤波、阈值都只在一个平面上进行思维负担大大降低。2.3 第三步高斯模糊——不是“让图变糊”而是给图像“做个柔焦预处理”你可能觉得“模糊”是坏事。但在机器视觉里适度模糊反而是好习惯。原因很简单真实相机拍出来的图总带点噪点比如光线不足时的雪花点、边缘毛刺比如金属反光造成的锯齿。这些干扰会让后续的边缘检测“过度敏感”——把噪点当边缘把反光当目标。高斯模糊就像给图像盖了一层薄纱用周围像素的加权平均把尖锐的噪点“抹平”同时尽量保留大的结构轮廓。作业包的03_gaussian_blur.py演示了这个过程import cv2 import matplotlib.pyplot as plt img_bgr cv2.imread(sample.jpg) img_gray cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) # 应用高斯模糊ksize(5,5) 表示用 5×5 的卷积核sigmaX0 让 OpenCV 自动算标准差 img_blurred cv2.GaussianBlur(img_gray, ksize(5, 5), sigmaX0) plt.figure(figsize(12, 4)) plt.subplot(1, 3, 1) plt.imshow(img_gray, cmapgray) plt.title(灰度图) plt.axis(off) plt.subplot(1, 3, 2) plt.imshow(img_blurred, cmapgray) plt.title(高斯模糊后5×5) plt.axis(off) # 放大局部对比取左上角 100×100 区域 plt.subplot(1, 3, 3) plt.imshow(img_blurred[0:100, 0:100], cmapgray) plt.title(局部放大看噪点是否减少) plt.axis(off) plt.show()参数ksize(5,5)是关键。它代表“参考多大范围内的邻居”。(3,3)太轻去噪不明显(15,15)太重连真正的边缘都糊掉了。作业包默认用(5,5)是经过反复测试的平衡点——既能压掉大部分高频噪点又不会让圆形工件的边缘变虚。你可以自己改成(3,3)或(7,7)多跑几次对比局部放大图感受这个“柔焦力度”怎么影响后续步骤。记住模糊不是目的是为下一步“边缘检测”铺路。就像画画前要打草稿模糊就是给图像打的那层底稿。2.4 第四步Canny 边缘检测——不是“描线”而是让电脑自动标出“哪里是物体边界”到了这一步才是真正进入“视觉”的核心让程序自己找出图中哪些地方是物体的边缘。Canny 是最经典、最稳健的边缘检测算法它分四步走高斯滤波我们刚做完、计算梯度找最亮变最暗的位置、非极大值抑制细化边缘成单像素宽、双阈值滞后区分强弱边缘。作业包的04_canny_edge.py把它封装成一行调用import cv2 import matplotlib.pyplot as plt img_bgr cv2.imread(sample.jpg) img_gray cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) img_blurred cv2.GaussianBlur(img_gray, ksize(5, 5), sigmaX0) # Canny 边缘检测两个阈值 low50, high150 是经验值适合本图 edges cv2.Canny(img_blurred, threshold150, threshold2150) plt.figure(figsize(10, 4)) plt.subplot(1, 2, 1) plt.imshow(img_blurred, cmapgray) plt.title(模糊后图像) plt.axis(off) plt.subplot(1, 2, 2) plt.imshow(edges, cmapgray) plt.title(Canny 边缘白线即边缘) plt.axis(off) plt.show() print(f边缘图中白色像素数量{cv2.countNonZero(edges)}) # 统计边缘总长度threshold1和threshold2是新手最容易调错的两个数。threshold2高阈值决定“肯定是边缘”的点threshold1低阈值决定“可能是边缘但要连上高阈值点才算”。它们的比值通常设为 1:2 或 1:3如 50/150。如果全设太高比如 100/200边缘会断断续续全设太低比如 10/30图上全是噪点连线。作业包给的50/150是针对sample.jpg光照和对比度调出来的你换图就得重调——这不是玄学是必须做的“图像适配”。运行后你会看到原本模糊的图变成了只有黑白的线条图所有工件的外轮廓、孔洞的内边、文字的笔画都被精准勾勒出来。这就是机器“看见”的第一步成果。2.5 第五步找轮廓并画框——不是“画圈”而是让程序回答“图里有几个目标都在哪”有了边缘图下一步就是“数数”和“定位”。OpenCV 的findContours函数能自动把所有闭合的白线圈识别成独立的“轮廓”并返回每个轮廓的顶点坐标。作业包的05_find_contours.py就是这最后一步import cv2 import matplotlib.pyplot as plt import numpy as np img_bgr cv2.imread(sample.jpg) img_gray cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) img_blurred cv2.GaussianBlur(img_gray, ksize(5, 5), sigmaX0) edges cv2.Canny(img_blurred, threshold150, threshold2150) # 查找轮廓RETR_EXTERNAL 只找最外层CHAIN_APPROX_SIMPLE 压缩冗余点 contours, _ cv2.findContours(edges, modecv2.RETR_EXTERNAL, methodcv2.CHAIN_APPROX_SIMPLE) # 在原图上画出所有轮廓绿色线宽 2 img_with_contours img_bgr.copy() cv2.drawContours(img_with_contours, contours, -1, (0, 255, 0), thickness2) # 统计并打印轮廓数量 print(f共找到 {len(contours)} 个独立轮廓) # 可选为每个轮廓画最小外接矩形 img_with_boxes img_bgr.copy() for i, cnt in enumerate(contours): x, y, w, h cv2.boundingRect(cnt) # 获取包围矩形的左上角坐标和宽高 cv2.rectangle(img_with_boxes, (x, y), (xw, yh), (0, 0, 255), 2) # 红框 cv2.putText(img_with_boxes, f#{i1}, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0,0,255), 2) plt.figure(figsize(15, 5)) plt.subplot(1, 3, 1) plt.imshow(cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB)) plt.title(原图) plt.axis(off) plt.subplot(1, 3, 2) plt.imshow(cv2.cvtColor(img_with_contours, cv2.COLOR_BGR2RGB)) plt.title(绿色轮廓线) plt.axis(off) plt.subplot(1, 3, 3) plt.imshow(cv2.cvtColor(img_with_boxes, cv2.COLOR_BGR2RGB)) plt.title(红色外接矩形#1, #2...) plt.axis(off) plt.show()这里有两个关键选择modecv2.RETR_EXTERNAL和methodcv2.CHAIN_APPROX_SIMPLE。前者表示“只找最外层的轮廓”避免把一个圆内部的纹理也当成独立轮廓后者表示“用最少的点描述轮廓”比如一条直线不用存 100 个点存首尾两个就够了——这能大幅减少后续计算量。运行后你会在图上看到绿色的工件边缘线以及红色的方框每个框上还标了#1、#2…… 这意味着程序不仅“看见”了还“数清了”、“定位准了”。这才是机器视觉交付的最小可用成果输入一张图输出“这里有 5 个零件坐标分别是……”。3. 新手必踩的 5 个坑不是你笨是没人告诉你这些“隐藏规则”刚跑通上面五步你可能会兴奋地换张自己的图试试然后发现图打不开、一片黑、全是噪点、框歪了、数量不对……别慌这不是你代码写错了而是掉进了机器视觉新手的“标准坑阵”。我带过二十多个零基础同学90% 的卡顿都集中在这五个地方。下面每条都按“你看到什么 → 为什么这样 → 怎么立刻修好”来写照着做5 分钟内就能救活你的程序。3.1 现象cv2.imread()返回None程序直接报错AttributeError: NoneType object has no attribute shape原因OpenCV 读图失败时不会报错而是默默返回None。常见原因有三个文件名拼错比如sample.jpg写成sample.jpeg、路径不对脚本不在图片同目录也没写相对路径、图片损坏用手机微信传图时被压缩失真。解决在cv2.imread()后立刻加一句检查img cv2.imread(sample.jpg) if img is None: print(❌ 错误图片读取失败请检查1. 文件名是否正确 2. 是否和脚本在同一文件夹 3. 图片是否能正常打开) exit() # 强制退出避免后续报更奇怪的错3.2 现象灰度图显示成一片紫色或深蓝完全看不出明暗原因忘了给plt.imshow()加cmapgray参数。matplotlib 默认用彩色 colormap 渲染单通道图把 0 当成深紫255 当成亮黄中间过渡全是怪色。解决只要显示单通道图灰度图、边缘图、掩膜图必须加cmapgrayplt.imshow(img_gray, cmapgray) # ✅ 正确 plt.imshow(img_gray) # ❌ 错误会变紫3.3 现象Canny 边缘图全是密密麻麻的噪点或者干脆一片黑原因threshold1和threshold2没调对。这两个值严重依赖原图的对比度和光照。sample.jpg是实验室打光拍的对比度高你手机随手拍的图可能一半黑一半白或者整体发灰。解决别死记50/150用“滑动调试法”# 临时加一个交互式调整需安装 opencv-python-headless 以外的完整版 def nothing(x): pass cv2.namedWindow(Canny Tuner) cv2.createTrackbar(Low, Canny Tuner, 50, 255, nothing) cv2.createTrackbar(High, Canny Tuner, 150, 255, nothing) while True: low cv2.getTrackbarPos(Low, Canny Tuner) high cv2.getTrackbarPos(High, Canny Tuner) edges cv2.Canny(img_blurred, low, high) cv2.imshow(Canny Tuner, edges) if cv2.waitKey(1) 0xFF ord(q): # 按 q 退出 break cv2.destroyAllWindows()拖动滑块直到边缘连续、干净、不多不少。记下最终值填回你的正式代码。3.4 现象findContours找到几百个轮廓远超实际目标数原因边缘图太“碎”。要么是 Canny 阈值太低留了太多弱边缘要么是高斯模糊不够噪点被当边缘。findContours对输入质量极其敏感。解决回到上一步先强化边缘图的“纯净度”。加一步“形态学闭运算”把断开的短线连起来把小噪点去掉# 在 Canny 之后、findContours 之前加 kernel np.ones((3,3), np.uint8) # 3×3 的结构元素 edges_clean cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel) contours, _ cv2.findContours(edges_clean, ...) # 用 clean 版本找MORPH_CLOSE就是“先膨胀连短线、再腐蚀去小点”是清理边缘图的后悔药。3.5 现象画出的外接矩形歪斜、偏大或者框住了背景而不是目标原因boundingRect()只能画水平矩形无法适应旋转目标。如果工件在图中是斜着放的水平框就会包含大量空白。解决换用minAreaRect()它能画最小面积的旋转矩形for cnt in contours: # 替换原来的 boundingRect rect cv2.minAreaRect(cnt) # 返回 ((中心x,中心y), (宽,高), 角度) box cv2.boxPoints(rect) # 把矩形四个顶点坐标转成数组 box np.int0(box) # 转成整数坐标 cv2.drawContours(img_with_boxes, [box], 0, (255,0,0), 2) # 蓝色旋转框虽然作业包默认用水平框更简单但当你发现框不准时这行替换就是最快的解法。4. 从“能跑通”到“能改用”把作业包变成你自己的机器视觉工具箱现在你已经能跑通全部五步看到红框套住工件了。但这只是起点。真正的价值在于如何把这份作业包变成你随时能调用、能修改、能迁移到自己项目里的工具箱不是照抄而是理解每一行代码背后的“意图”然后按需替换。下面我带你做三件具体的事第一把固定图片换成摄像头实时画面第二把“画框”升级成“标出目标类型”第三把整个流程打包成一个可一键运行的函数。每一步都给出完整代码、修改理由、和避坑提示。4.1 第一步从“读静态图”升级到“接摄像头”——让视觉系统真正“活”起来作业包所有例子都是cv2.imread(xxx.jpg)这叫离线处理。但工业检测、智能小车、手势识别都需要实时视频流。把静态图换成摄像头只需两处改动读图方式 循环结构。06_live_camera.py就是现成模板import cv2 # 打开默认摄像头通常是笔记本自带或 USB 摄像头 cap cv2.VideoCapture(0) # 检查摄像头是否成功打开 if not cap.isOpened(): print(❌ 错误无法打开摄像头请检查设备是否连接、权限是否开启) exit() # 设置摄像头分辨率可选不设则用默认 cap.set(cv2.CAP_PROP_FRAME_WIDTH, 640) cap.set(cv2.CAP_PROP_FRAME_HEIGHT, 480) print(✅ 摄像头已启动按 q 键退出) while True: # 逐帧读取 ret, frame cap.read() if not ret: print(⚠️ 警告读取帧失败可能摄像头已断开) break # 对每一帧执行和之前一样的五步处理此处简化为关键步骤 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) blurred cv2.GaussianBlur(gray, (5,5), 0) edges cv2.Canny(blurred, 50, 150) contours, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 在原始帧上画框注意是在 frame 上画不是 edges 上 for cnt in contours: x, y, w, h cv2.boundingRect(cnt) cv2.rectangle(frame, (x, y), (xw, yh), (0, 255, 0), 2) # 显示处理后的画面 cv2.imshow(Live Camera - Contours, frame) # 按 q 退出循环 if cv2.waitKey(1) 0xFF ord(q): break # 释放资源 cap.release() cv2.destroyAllWindows()关键变化有三点第一cv2.VideoCapture(0)代替cv2.imread()。0是默认摄像头 ID如果插了多个摄像头可以试1、2。第二while True:循环 cap.read()实现逐帧处理。ret是读取成功标志必须检查否则摄像头断开时程序会卡死。第三所有cv2.*操作都作用于frame当前帧最后用cv2.imshow()显示的是加了框的frame不是边缘图。这是新手最容易混淆的点处理流程可以一样但“画在哪”必须明确。注意首次运行可能黑屏。这是因为某些系统如 macOS需要额外授权。去“系统设置 隐私与安全性 相机”确保你的 Python 或终端应用已被勾选。Windows 用户如果遇到驱动问题可尝试在cv2.VideoCapture(0)后加cap.set(cv2.CAP_PROP_AUTOFOCUS, 0)关闭自动对焦有时能稳定画面。4.2 第二步从“画框”升级到“分类标注”——让程序不仅能找还能认目前的框只是“这里有东西”但工业场景需要知道“这是合格品还是次品”“这是螺丝还是垫片”。作业包的07_classify_shapes.py演示了最简单的形状分类通过轮廓的“近似多边形”和“面积/周长比”区分圆形、方形、三角形。原理很直观圆的轮廓近似后是很多点但它的“面积 / 周长²”接近 0.08正方形的近似多边形是 4 个点且长宽比接近 1。import cv2 import numpy as np def classify_shape(contour): 根据轮廓特征判断形状 # 计算轮廓面积和周长 area cv2.contourArea(contour) perimeter cv2.arcLength(contour, True) # 如果面积太小跳过可能是噪点 if area 100: return noise # 用 epsilon0.04*perimeter 近似轮廓为多边形 epsilon 0.04 * perimeter approx cv2.approxPolyDP(contour, epsilon, True) # 根据顶点数粗略分类 vertices len(approx) if vertices 3: return triangle elif vertices 4: # 进一步判断是否为正方形长宽比接近 1 x, y, w, h cv2.boundingRect(approx) aspect_ratio float(w)/h if h ! 0 else 0 if 0.95 aspect_ratio 1.05: return square else: return rectangle elif vertices 6: # 圆形的近似多边形顶点数通常较多且面积/周长² 接近 0.08 circularity 4 * np.pi * area / (perimeter * perimeter) if perimeter 0 else 0 if 0.7 circularity 1.2: return circle return unknown # 主程序接摄像头或读图 cap cv2.VideoCapture(0) if not cap.isOpened(): # 回退到读图模式 img cv2.imread(sample.jpg) if img is None: print(图片也打不开退出) exit() frames [img] else: frames [camera] # 标记为摄像头模式 while True: if camera in frames: ret, frame cap.read() if not ret: break else: frame img.copy() # 标准五步处理 gray cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY) blurred cv2.GaussianBlur(gray, (5,5), 0) edges cv2.Canny(blurred, 50, 150) contours, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) # 对每个轮廓分类并画框标签 for cnt in contours: shape classify_shape(cnt) x, y, w, h cv2.boundingRect(cnt) # 不同形状用不同颜色框 color_map {circle: (0,255,0), square: (255,0,0), triangle: (0,0,255), rectangle: (255,255,0)} color color_map.get(shape, (128,128,128)) cv2.rectangle(frame, (x, y), (xw, yh), color, 2) cv2.putText(frame, shape, (x, y-10), cv2.FONT_HERSHEY_SIMPLEX, 0.6, color, 2) cv2.imshow(Shape Classification, frame) if cv2.waitKey(1) 0xFF ord(q): break if camera in frames: cap.release() cv2.destroyAllWindows()这个升级的核心思想是把“找轮廓”和“认目标”拆成两个独立模块。classify_shape()是一个纯逻辑函数输入轮廓输出字符串标签。你可以随时修改它的判断规则——比如加入颜色识别用cv2.mean()读框内平均色或者接入一个训练好的小模型用onnxruntime加载.onnx文件。作业包没提供模型但预留了接口只要把shape classify_shape(cnt)这行替换成shape my_model_predict(cnt, frame)整个流程就无缝切换。这就是工具箱的价值主干稳定插件可换。4.3 第三步把整个流程封装成函数——告别复制粘贴实现“一行调用”每次写新项目都要从头粘贴五步代码太低效。作业包的终极用法是把它变成你自己的vision_tools.py模块。新建一个文件把核心逻辑抽出来# vision_tools.py import cv2 import numpy as np def detect_objects(image, blur_ksize(5,5), canny_low50, canny_high150, min_area100): 通用目标检测函数 输入: image - BGR 格式的图像np.ndarray 参数: blur_ksize - 高斯模糊核大小默认 (5,5) canny_low/canny_high - Canny 阈值默认 50/150 min_area - 最小轮廓面积过滤小噪点默认 100 输出: list of dict每个 dict 含 contour, bbox, area, center if len(image.shape) 3: gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) else: gray image blurred cv2.GaussianBlur(gray, blur_ksize, 0) edges cv2.Canny(blurred, canny_low, canny_high) # 形态学闭运算清理边缘 kernel np.ones((3,3), np.uint8) edges cv2.morphologyEx(edges, cv2.MORPH_CLOSE, kernel) contours, _ cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) results [] for cnt in contours: area cv2.contourArea(cnt) if area min_area: continue x, y, w, h cv2.boundingRect(cnt) M cv2.moments(cnt) cx int(M[m10]/M[m00]) if M[m00] ! 0 else x w//2 cy int(M[m01]/M[m00]) if M[m00] ! 0 else y h//2 results.append({ contour: cnt, bbox: (x, y, w, h), area: area, center: (cx, cy) }) return results def draw_results(image, results, color(0,255,0), thickness2, show_centerTrue): 在图像上绘制检测结果 output image.copy() for res in results: x, y, w, h res[bbox] cv2.rectangle(output, (x, y), (xw, yh), color, thickness) if show_center: cx, cy res[center] cv2.circle(output, (cx, cy), 3, (0,0,255), -1) return output然后在你的新项目里只需三行# my_project.py import cv2 from vision_tools import detect_objects, draw_results img cv2.imread(my_part.jpg) results detect_objects(img, canny_low30, canny_high120) # 按需调参 output draw_results(img, results, color(0,0,255)) # 红框 cv2.imshow(My Detection, output) cv2.waitKey(0)封装的好处是参数显性化谁都能看懂canny_low30是什么意思、逻辑隔离改检测不碰绘图、复用性强同一份vision_tools.py可用于十个不同项目。我第一次把作业包封装成模块时A 同学正在做一个“自动数药片”的课设他直接pip install opencv-python然后from vision_tools import detect_objects两小时就搭出了原型——这比他从零啃文档快了十倍。5. 下一步学什么——给你一张不绕弯、不踩坑的进阶路线图你现在能加载图、转灰度、模糊、找边缘、画框、甚至分形状了。这已经超过了 70% 的“机器视觉入门本文还有配套的精品资源点击获取