一、引言

     在日常场景中，物体计数依赖人工不仅效率低，还易出错。下面以硬币的背景分割与自动化计数为例，借助 Python 的图像处理库，核心仅需几十行代码，可以快速实现硬币的的背景分割和计数，且思路可拓展到其他物体的分割计数场景。

二、硬币图像

  二、环境准备

首先安装所需库，打开终端执行以下命令即可：

pip install opencv-python numpy matplotlib scikit-image scipy

         其中：OpenCV 负责图像读取，NumPy 处理数组运算，Matplotlib 用于可视化，scikit-image 实现连通域分析，SciPy 完成孔洞填充。

三、Python程序代码

# 对灰度图像coins.png进行背景分割和计数
# 2026年3月14日 Python实现
import cv2
import numpy as np
import matplotlib.pyplot as plt
from skimage import measure, morphology
from scipy import ndimage

# 1. 读取图像
# 如果当前目录没有 coins.png，可使用 skimage.data.coins() 加载示例图像
try:
    I = cv2.imread('coins.png', cv2.IMREAD_GRAYSCALE)
    if I is None:
        raise FileNotFoundError
except FileNotFoundError:
    print("未找到 coins.png，使用 scikit-image 自带的硬币图像代替")
    from skimage import data
    I = data.coins()  # 返回的是灰度图像

# 2. 显示原图和直方图
plt.figure(figsize=(12, 4))
plt.subplot(1, 3, 1)
plt.imshow(I, cmap='gray')
plt.title('Original Image')
plt.axis('off')

plt.subplot(1, 3, 2)
plt.hist(I.ravel(), bins=256, range=[0, 256])
plt.title('Histogram')
plt.xlabel('Intensity')
plt.ylabel('Count')

# 3. 阈值分割（阈值 100/255 ≈ 0.392，对应灰度值 100）
threshold = 100
bw = (I > threshold).astype(np.uint8) * 255  # 生成二值图像（0 和 255）
# 或使用 cv2.threshold: _, bw = cv2.threshold(I, threshold, 255, cv2.THRESH_BINARY)

# 4. 填充孔洞
# 方法一：使用 scipy.ndimage.binary_fill_holes
bw_filled = ndimage.binary_fill_holes(bw).astype(np.uint8) * 255
# 方法二：使用 morphology.remove_small_holes（需要二值逻辑图像）
# bw_filled = morphology.remove_small_holes(bw.astype(bool), area_threshold=64).astype(np.uint8)*255

# 显示二值图像和填充后的图像
plt.subplot(1, 3, 3)
plt.imshow(bw_filled, cmap='gray')
plt.title('After Filling Holes')
plt.axis('off')
plt.tight_layout()
plt.show()

# 5. 连通域标记并计数
label_image = measure.label(bw_filled, connectivity=2, background=0)  # 8连通
coins_num = label_image.max()   # 获取连通域数量（背景为0，所以最大值即为硬币数）
print(f'===== Detecting results =====')
print(f'Total detecting coins equal to {coins_num}')


# 6. 获取边界框并绘制在原图上
stats = measure.regionprops(label_image)  # 返回属性列表

plt.figure()
plt.imshow(I, cmap='gray')
for prop in stats:
    minr, minc, maxr, maxc = prop.bbox
    rect = plt.Rectangle((minc, minr), maxc - minc, maxr - minr,
                         fill=False, edgecolor='red', linewidth=2)
    plt.gca().add_patch(rect)
plt.title(f'Detected Coins: {coins_num}')
plt.axis('off')
plt.show()

三、核心实现步骤

1. 图像读取：兼容本地coins.png和 scikit-image 自带的硬币示例图像，避免因文件缺失导致代码报错，确保代码可直接运行。
2. 阈值分割：通过灰度阈值（本文设为 100）将图像转为二值图，分离硬币（前景）与背景，这是分割的核心步骤，阈值可根据实际图像调整。
3. 孔洞填充：硬币二值图可能存在内部孔洞，通过 SciPy 的binary_fill_holes填充孔洞，保证每个硬币为完整连通区域。
4. 计数与可视化：利用 scikit-image 的measure.label标记连通域，背景为 0，连通域最大值即为硬币数量；同时绘制红色边界框，直观展示每个检测到的硬币。

四、运行结果和分析

         运行代码后，会依次展示原图、灰度直方图、填充后的二值图，最终输出硬币数量，并在原图上标注每个硬币的位置。测试结果显示，该方法能精准分割硬币与背景，计数无遗漏或重复，解决了硬币自动化计数的问题。

   总结

            Python 与图像处理库的组合使用，让图像分割与计数变得简单高效。本文的核心思路（阈值分割→孔洞填充→连通域计数）不仅适用于硬币，还可迁移到纽扣、零件等规则物体的自动化计数场景，具有一定的实用价值。

撰写博客不易，你的关注、点赞是我撰写博客的最大动力，欢迎转发，感谢支持！