OpenCV虾苗计数实战：从图像分割到连通域统计

我第一次接到"OpenCV虾苗计数"这个需求时，心里第一反应是：这不太就是先分割再数连通域吗？真做起来才发现，越小的目标越考验细节处理。养殖场的诉求非常朴素——一批虾苗要按数量卖给下游养殖户，人工数既慢又容易眼花，数错一袋可能一整天都白忙。他们想拍一张照片，几分钟内得出一个可参考的数量。我当时的判断是：先别急着上深度学习，传统图像处理在特定光照下完全能顶住。这篇文章就分享我从图像采集、预处理、分割、计数到误差评估的完整过程，适合正在做养殖场景视觉识别，或者想用OpenCV快速实现一个"够用"功能的朋友。

1. 从人工数苗到计算机数苗，这个需求到底难在哪

1.1 为什么虾苗计数这么折磨人

虾苗不是工业零件，它不会整整齐齐摆在传送带上等你扫描。半透明的身体、1到3厘米的长度、不停弹跳的习性、一受惊就扎堆的本能，每一项都在跟视觉识别作对。

人工计数的典型操作是"排水数数"：把虾苗倒进白色浅盘，用小勺子一勺一勺拨开，数完一勺记一笔。听起来简单，实际做起来极其消耗精力。虾苗和虾苗之间没有明确边界，半透明的身体互相叠着，稍微走神就可能漏掉三五只。一个熟练工人连续数三四袋后，误判率明显上升，基本只能靠重复数两遍来交叉验证。密度高了以后，一袋几百只虾苗，数一袋耗掉的时间足够让客户失去耐心。

这正是传统视觉方案能介入的地方。虾苗难数，是因为人眼在重复劳动中会疲劳，但固定流程的算法不会。只要画面质量和采集方式可控，计算机反而比人更稳定。不过前提是，你得清楚虾苗到底什么特征可以拿来用。

1.2 OpenCV方案能做的和做不到的

我遇到过不少一上来就期望过高的人，觉得OpenCV随便写几行就能数出任何照片里的虾苗。这里先把预期摆清楚。

能做的：在静态或半静态的图片上，对平铺、密度适中的虾苗进行自动计数；批量处理一批照片并输出结果；把每只被识别到的个体画框标出来，方便人工复核。这些场景下，准确率可以做到跟人工数差不多的水平，而且速度快得多。

做不到的：虾苗在深水里自由游动、互相遮挡严重、画面里水花气泡横飞、虾苗小到只有几个像素的情况，纯OpenCV很难稳定处理。这不是调参能解决的问题，是物理信息不足。想在这种场景里计数，应该转向深度学习目标检测或者用硬件手段改变采集方式。

我给养殖场的建议始终是一条：用算法做初筛，用叠加标记图做复核。规则算法最大的价值不是替代人工，而是把人工的工作量从"一勺一勺数"变成"扫一眼标记结果对不对"。

2. 图像采集：真正决定计数成败的是拍摄环节

2.1 背光板加浅水盘的组合怎么搭

做图像处理的人常犯一个错误：上来就调算法，不管拍照环境。OpenCV项目里，算法只占三成，采集占七成。虾苗计数尤其如此，因为虾苗本身太考验光照了。

虾苗半透明，正光照射下，它的颜色、纹理和浅色水底几乎融为一体，肉眼能看见，但灰度图里对比度极低，分割根本无从下手。反过来，用背光打光，让光从虾苗背后透过来，虾体会变成一个边界清晰的暗色剪影。背景发亮、目标发暗，图像分割一下子从地狱难度降到新手村。

具体搭配可以参考：

• 光源：漫射背光板或者平板灯，光线要均匀，不要出现明显亮斑
• 扩散层：一层白色亚克力板，让光均匀散射，避免把灯珠纹理拍进去
• 容器：白色不透明浅盘，反射匀称，不会出现黑边缘干扰
• 相机：手机或普通定焦摄像头都行，但焦距固定，不要用超广角拍，边缘畸变会影响面积统计

拍摄时水位是关键。水越浅，虾苗越难竖起来，基本只能平躺在盘底，被压成近似二维的形状。我通常把水位控制在2到5毫米，不需要精确测量，以"虾苗不能自由游动，但不会干死"为准。水浅还有一个附带好处：水面波动小，反光和折射造成的干扰会大幅减少。

2.2 拍摄参数与检查清单

很多人在这一步翻车，拍出来的照片算法怎么调都救不回来。我整理了一个最小检查清单，每条都来源于实际翻车经历。

• 白平衡：白色背景必须拍成纯白，如果发蓝或发绿，阈值分割会偏移。用灰卡或直接在设置里指定白平衡目标
• 分辨率：每条虾苗在画面里至少要有20像素以上的长度，宽度最好也有5像素以上。像素不够，后面的形态学操作很容易把整只虾吞掉
• 单张密度：一个画面里建议不超过300只。超过这个量，重叠率会急剧上升，算法和人工都没法看清
• 盘底清洁：不要有饲料残渣、死虾碎片、气泡。这些东西在二值图里和虾苗一样是暗色目标，后处理只能尽量滤除，不如从源头控制

拍完照片后，不要急着写代码，先肉眼检查几件事：背景是否匀净、虾苗是否平铺、有没有大面积反光。这一步花两分钟，能省掉后面两小时的调参时间。我见过太多人拿着手机随手拍一张就抱怨算法不准，实际上一半的问题出在采集端。

3. 预处理与分割：把一只只虾苗从杂乱的画面里"抠"出来

3.1 灰度化与去噪

拿到背光图之后，第一步是把彩色图转成灰度图。虾苗计数不需要颜色信息，而颜色信息反而可能因为白平衡偏差引入干扰。直接取灰度通道，后续所有处理都建立在这张单通道图上。

原始灰度图通常带有两类噪声：传感器噪点和虾体表面纹理。虾苗的边缘其实是半透明的，背光下会形成一些细碎的灰度起伏，这些纹理在高频上很像噪声，如果直接做二值化，会产生大量伪轮廓。

我用高斯模糊先做一轮平滑，核大小根据图片分辨率决定。1080p左右的图用5乘5，更高分辨率的图可以试7乘7。核太小，噪声压不住；核太大，虾苗边缘会被抹得模糊不清，面积统计也随之失真。这个平衡点需要针对自己的相机实测。

import cv2 img = cv2.imread("shrimp_sample.jpg") gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) blur = cv2.GaussianBlur(gray, (5, 5), 0)

高斯模糊不会让边缘全部消失，只是把高频毛刺磨平。这一步做完之后，画面里剩下的主要是虾苗剪影、盘底杂质、浅水波纹这些相对稳定的灰度区域。

3.2 背景处理和Otsu阈值

分割的核心是从灰度图里分离出"暗色虾苗"和"亮色背景"。传统做法是设一个固定阈值，比如灰度值小于128就算目标。但实际拍摄中，不同批次的照片亮度会有波动，光照强度、白平衡微调都会让整张图的灰度分布整体偏移，固定阈值会时不时翻车。

更稳的方案是Otsu大津法。Otsu会自动遍历所有可能的灰度阈值，找到一个让前景和背景类内方差最小的值。它不关心画面整体亮度，只关心"两类像素分得够不够开"。背光图里虾苗和背景灰度差很大，直方图天然呈现双峰形态，Otsu在这种图上效果非常好。

要注意方向：背景是亮的，虾苗是暗的，所以二值化时要取反转模式。代码里用THRESH_BINARY_INV，这样前景目标变成白色，背景变成黑色，后续的连通域分析才符合直觉。

_, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

如果换了光照条件，比如背景变暗、目标变亮，就改成THRESH_BINARY。这个细节我踩过坑：第一次测试时背光板亮度调高，背景白得发亮，一切正常。后来换成一块亮度偏暗的平板灯，整张图灰度下降，反转模式直接把所有背景都当成了目标。搞清楚光路方向，比死记参数重要。

3.3 形态学修复

二值化之后，画面里除了虾苗，通常还有三类东西：盘底细小杂质、虾体内部的小孔洞、水体波纹导致的不规则边缘。形态学操作就是用来清理这些的。

开运算先做腐蚀再膨胀，能去掉孤立的白色小噪点。闭运算先膨胀再腐蚀，能填补目标内部的黑色空洞。顺序是先开运算再闭运算，顺序反了会在有些图像上把小噪点重新放大。

内核大小要根据画面情况控。我用圆形内核比较多，因为虾苗的形态圆润，方形内核容易在边缘产生棱角。杂质很多时开运算可以做两轮，但千万别把内核调太大。一个常见错误是：为了去噪把内核加到15乘15，结果虾苗身体被腐蚀掉一大截，只剩一个细条，面积直接从40像素掉到10像素，后面的过滤逻辑全乱套。

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5, 5)) opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=2) closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel, iterations=2)

形态学操作的产出是一张干净的掩膜图：白色区域代表可疑目标，黑色代表背景。掩膜质量直接决定计数结果，值得花时间反复看中间结果。调试时我习惯把binary、opening、closing三张图同时显示出来，用滑块调内核大小，看到分割稳定了再进入下一步。

4. 连通域计数与粘连拆分：核心算法与翻车现场

4.1 connectedComponentsWithStats与面积过滤

掩膜准备好之后，计数变成了一个标准的连通域分析问题。每一块白色区域代表一个目标候选，可能是虾苗，也可能是杂质或粘连在一起的虾群。

OpenCV的connectedComponentsWithStats是这个环节的主力工具，它一次性返回每个连通域的标签图、边界框、面积和中心点。最有用的是面积，因为可以基于它做过滤：噪声杂质通常面积很小，粘连虾群面积很大，正常虾苗的面积落在一个相对清晰的区间。

import numpy as np num_labels, labels, stats, centroids = cv2.connectedComponentsWithStats( closing, connectivity=8 ) min_area = 50 max_area = 2000 count = 0 for i in range(1, num_labels): area = stats[i, cv2.CC_STAT_AREA] if min_area <= area <= max_area: count += 1 x, y, w, h = stats[i][:4] cv2.rectangle(img, (x, y), (x+w, y+h), (0, 255, 0), 2)

min_area和max_area不是拍脑袋定的。我会先不做任何过滤，把所有连通域的面积统计出来画一个直方图。正常虾苗的面积通常呈一个峰，杂质是散落在低频段的长尾，粘连目标则出现在大面积的右侧拖尾。峰的位置稍微收紧，过滤区间就容易确定。

一个很实用的技巧：把不同面积范围的连通域用不同颜色画出来，肉眼看一眼就知道过滤合不合理。别光看数字，视觉验证永远比想象可靠。

4.2 面积启发式估算粘连目标

虾苗不可能每次都完美分散，总会有一部分身体紧贴在一起。连通域分析会把两条紧挨的虾苗判成一个大连通域，直接数就少了很多。

最简单的兜底办法是用面积启发式：先估计单只虾苗的像素面积，再拿每个连通域的面积去除，看它大约相当于多少只虾。估计单虾面积时，最好取面积直方图的小值峰值或中位数，不要取平均值。平均值会被粘连目标拉高，中位数更抗偏差。

比如单虾面积中位数是150像素，一个连通域面积是320像素，320除以150约等于2.1，取整就是2只。一个280变1只，一个310变2只，这样的判断在轻度粘连下准确率很高，而且实现成本极低。

single_area = np.median([stats[i, cv2.CC_STAT_AREA] for i in range(1, num_labels)]) estimated = 0 for i in range(1, num_labels): area = stats[i, cv2.CC_STAT_AREA] if area < min_area or area > max_area: continue estimated += max(1, round(area / single_area))

这个方法的适用前提是虾苗大小基本均匀，且平铺在浅水层里。如果虾苗尺寸差异本身就很大，小虾和中虾面积差了一倍，启发式会系统性出错。我在批量测试时发现，轻度粘连情况下估算数量和人工数的偏差通常在3%以内，重度粘连时则明显低估，因为大团粘连里重叠面积太大，像素面积不再和只数成正比。

4.3 分水岭拆分的正确用法和警告

面积启发式处理不了粘连复杂的情况，这时很多人会想到分水岭算法。分水岭本质上是把每个目标内部的"高点"当种子，向外扩张到边界相接为止。用在虾苗上，等于先给每个疑似个体找一个中心，然后让各个中心去"抢"像素边界。

OpenCV里做分水岭的标准路径是：距离变换、找局部极大值、应用watershed。代码不难，难在效果并不总是尽如人意：

dist = cv2.distanceTransform(closing, cv2.DIST_L2, 5) ret, markers = cv2.connectedComponents(dist) markers = cv2.watershed(img, markers)

虾苗不是圆形的，而是细长条，姿态完全随机。分水岭喜欢把圆形粘连目标拆开，但对细长条目标很粗暴，经常把一条虾拦腰切成两段，多出来好几个虚假个体。我在实验时见过不少例子：一条弯着身体的虾，中间塑性比较高，分水岭在腰部产生了一个局部极大值，结果半只虾被切成两个"目标"。

所以我个人对分水岭的态度是：能用面积启发式就用面积启发式，分水岭只在"目标形状接近圆形、粘连边界清晰可见"时才启用，而且必须配合面积过滤和结果可视化人工检查。如果反复出现粘连，正确做法不是硬调分水岭参数，而是调整采集策略：减少单张画面里的虾苗数量、让水更浅一点、或者分几次拍摄。与其在算法上跟粘连搏斗，不如从源头让它少发生。

5. 精度评估与批量落地：别让实验室Demo死在一张照片上

5.1 建立人工计数基准

算法写得再顺手，没有评估标准都是自嗨。虾苗计数的"真值"只能靠人工数出来，而人工数本身也不完美。我在测试阶段的做法是：挑10到20张不同密度的照片，每张请两个人各数两遍，取中位数作为参考真值。密度高的图差异会大一点，比如一个人数出208，另一个人数出215，取中位数213作为基准。

误差计算建议同时看相对误差和平均绝对误差。单张相对误差用"算法数量减去人工基准的绝对值除以人工基准"来计算，多张图再把所有误差取平均。我给自己定的目标是：单张相对误差不超过5%，平均值不超过3%，否则需要回头排查参数或拍摄状态。

这个目标不是拍脑袋定的，主要是因为养殖场对数量的容忍度很现实：几百只的批次，误差百分之几属于可接受范围，订单交接时主要靠抽样复核，不需要做到实验室级的百分之百精确。把精度目标定清楚，后续调参才有一个明确的停止标准。

5.2 批量处理脚本的完整形态

实现一个只处理单张照片的脚本远远不够，落地时必须处理几十张、上百张图片。批量脚本至少需要具备三个功能：遍历文件夹、把结果写入可汇总的文件、保存带标记的可视化结果供人工复核。

我常用的是这样的结构：

import csv import os input_dir = "shrimp_images" output_csv = "count_result.csv" debug_dir = "debug_output" os.makedirs(debug_dir, exist_ok=True) results = [] for filename in sorted(os.listdir(input_dir)): if not filename.lower().endswith((".jpg", ".jpeg", ".png")): continue path = os.path.join(input_dir, filename) img = cv2.imread(path) # 预处理与计数逻辑封装成函数 process_count() count, marked_img = process_count(img) results.append((filename, count)) cv2.imwrite(os.path.join(debug_dir, filename), marked_img) with open(output_csv, "w", newline="", encoding="utf-8") as f: writer = csv.writer(f) writer.writerow(["filename", "count"]) writer.writerows(results)

CSV文件负责汇总，调试图负责追溯。每次计数不对劲的时候，直接看标记结果图，判断问题出在分割还是过滤，比盲调参数高效得多。我还会在标记图上把面积过小被滤掉的连通域用红色画出来，把面积过大被当作粘连的区域用蓝色画出来，这样一次就能看到算法丢弃了什么、保留了什么。

5.3 误差分析和调参方向

批量跑完，误差还超标时，别急着乱调参数。先按误差表格对照常见原因，我的经验是按"采集问题优先于算法问题"的顺序排查。

调参时一次只动一个变量。把min_area从50改成30之后，如果误差没有显著变化，再考虑动内核大小。同时改多个参数会让结果变得不可解释，分不清是哪个改动起了作用。

还有一个容易被忽视的调参方向：图像分辨率。同一批虾苗，用1080p拍和用720p拍，单虾面积差几倍，过滤区间和内核大小全部要跟着变。如果算法在不同相机上表现不一致，优先检查分辨率，而不是怀疑形态学参数写错了。

6. 更进一步的思路：什么时候该转向深度学习计数

6.1 传统CV的极限在哪

规则算法有它省事、透明、见效快的一面，但这条路的边界也很清晰。如果现场环境不可控，虾苗在深水里游动，画面层层叠叠互相遮挡，水深导致虾体时而完整时而变成一小段，规则算法基本没有胜算。这种情况下，问题已经不再是"怎么调参数"，而是需要模型去学习"什么形态特征属于一只虾"。

还有一个典型场景：需要连续监测活体虾苗的实时视频流。传统CV在静态图片上还能勉强处理，在视频里由于运动模糊、姿态变化、遮挡状态不断切换，规则和阈值很难稳定。我试过不少次，效果好的时候觉得很神，效果差的时候直接崩溃，没有中间状态。

关键判断标准是：画面里目标之间的重叠率是否超过30%。低于这个阈值，传统CV值得做；高于这个阈值，投入产出比会陡降，不如直接考虑深度学习。

6.2 从传统CV迁移到检测模型的路线

如果决定转向深度学习，之前的沉淀不会白费。最重要的是，传统CV的预处理和后处理逻辑可以直接复用到检测流程里。背光采集、浅水压平这些硬功夫，对深度学习同样重要，质量好的数据永远比花哨的模型重要。

数据标注建议从画框开始，不要一上来就做像素级分割。虾苗身体细长、透明度高，像素级标注极其费人工，而计数任务本质上只需要"一个框对应一只虾"。我一般会先用OpenCV的分割结果跑一遍，把所有连通域自动存成候选框，然后人工修正候选框的错误。这样标注效率能提升不少，尤其是对粘连目标，人工只需要在自动框的基础上调整，而不是从零开始画。

模型选择上没必要追求大模型，轻量检测网络配合一个中等规模的数据集，在养殖这种单类目标场景里完全够用。训练的时候注意做样本增强：亮度扰动、旋转、随机裁切，这可以模拟不同光照和拍摄角度。推理阶段再把连通域过滤的思路搬回来，把置信度低的框滤掉，把重叠框做去重，输出数量自然稳定下来。

如果你是从OpenCV方案过渡过来的，先别急着推翻原有代码。把传统分割当作候选区域生成器，把检测模型当作精筛器，两级叠加通常比直接端到端训练更省事，因为在目标小、背景干扰少的场景里，规则算法已经可以帮你筛掉90%的无关像素，模型只需要在剩下的小范围内做精确判断。

回头看我第一次跑通虾苗计数时的感受，最大的体会是：这类项目真正的门槛不在算法本身，而在于你有没有把采集、预处理、评估每一个环节都按生产标准去抠。养殖户也许不懂Otsu和分水岭，但他们知道自己想要的是一个稳定可靠、不要经常给错数的工具。只要采集规范立得住、评估流程跑得通，OpenCV做的虾苗计数完全可以在实际作业中发挥价值。