我有这个二进制图像，其中每个“曲线”代表一堆这些物体中的一顶帽子。它是通过对堆叠的草帽原始图像的一个区域进行阈值处理获得的。
如您所见，这些曲线的形状内部有许多间隙和孔，这很难使用像 cv.connectedcomponentes 这样的技术来获取图像中对象的数量，这是我的目标。
我认为如果有一些技术可以填补这些空白和/或主要是原始二进制图像的较小部分中的孔，就像我在下面展示的那样，也许是 连接附近的元素或检测和填充轮廓，可以将每条曲线分割为一个单独的元素。
【问题讨论】：
标签： python opencv image-processing image-segmentation
不是最优雅的方式，但应该足够简单。
考虑w 的垂直切片（与您在问题中发布的切片相同）。如果你沿着切片的行对白色像素求和，你应该得到六个漂亮的“峰值”，对应于帽子的六个边缘：
但是，由于轮辋是圆形的，因此对于这种估计，某些垂直切片会比其他切片更好。
因此，我建议查看 所有 个宽度为 w 的切片并计算每个切片的峰值。
这是一个执行此操作的 Matlab 代码
img = imread('http://i.stack.imgur.com/69FfJ.jpg'); % read the image
bw = img(:,:,1)>128; % convert to binary
w = 75; % width of slice
all_slices = imfilter(single(bw), ones(1,w)/w, 'symmetric')>.5; % compute horizontal sum of all slices using filter
% a peak is a slice with more than 50% "white" pixels
peaks = diff( all_slices, 1, 1 ) > 0; % detect the peaks using vertical diff
count_per_slice = sum( peaks, 1 ); % how many peaks each slice think it sees
看count_per_slice的分布：
您会看到，尽管许多切片预测了错误的帽子数量（4 到 9 之间），但大多数人投票支持正确的数字 6：
num_hats = mode(count_per_slice); % take the mode of the distribution.
执行相同操作的 python 代码（假设 bw 是 shape (h,w) 和 dtype bool 的 numpy 数组）：
from scipy import signal, stats
import numpy as np
w = 75;
all_slices = signal.convolve2d( bw.astype('f4'), np.ones((1,w),dtype='f4')/float(w), mode='same', boundary='symmetric')>0.5
peaks = np.diff( all_slices, n=1, axis=0 ) > 0
count_per_slice = peaks.sum( axis=0 )
num_hats = stats.mode( count_per_slice )
【讨论】：
scipy.signal.convolve2d）图像（例如np.ones((n,n))，这将缩小小间隙。这将首先给你一个填充整数的数组，但您可以将其转换回具有正确阈值的布尔值