OpenCV图像分割与分水岭算法实现液滴和细胞计数

1. 项目整体设计与技术路线拆解

做液滴和细胞计数的活儿，最难受的从来不是写代码，而是对着一张贴满几百个小圆点的显微照片，用计数器一格一格点。眼睛花、手抖、重复计数、漏数，一套流程下来半小时，还不敢保证准确率。这类需求在实验室、化工检测、乳液稳定性评估、细胞培养质控里非常常见，本质上都是同一个问题：在一张背景不均匀的图像里，找到一批形状相近的独立目标，并给出准确的数量。OpenCV 在这里的角色就是把这个重复劳动自动化，用图像分割加连通域分析，把"数"这件事变成"算"这件事。

这套方案适合谁看？如果你是刚接触 OpenCV、手上又恰好有一批液滴或细胞图片要处理的人，这套流程基本可以照搬改参；如果你已经有图像处理基础，想解决粘连、背景不均、气泡干扰这些具体问题，后面几个章节的参数手感和避坑记录应该能省你不少时间。整篇内容围绕一个完整的处理管线展开：从读图、预处理、分割、粘连拆分，一直到最后计数、过滤和批量输出，每一环都给出可运行的代码和参数选择背后的理由，而不是只丢一段"调参玄学"。

1.1 先想清楚：你数的到底是"点"还是"物体"

这是整件事的第一个分水岭，也是很多人一开始就跑偏的地方。液滴和细胞在图像上看起来都是小圆点，但它们的成像特性差异很大。液滴通常是背光或侧光拍摄，边缘折射出一圈亮环，内部接近均匀，边界锐利；细胞在明场显微镜下边界模糊，有halo（光晕）效应，内部还有细胞核、颗粒等结构。如果你把两者当成同一类目标，用同一套阈值参数去套，结果往往是一边数得挺好，另一边全是碎片。

我在动手前做的第一件事，是把一张典型图放大到原始分辨率，用肉眼数二十个目标，记下它们的像素直径范围、最小间距和边界对比度。这一步看起来很土，但它决定了后面所有参数的取值区间：直径范围决定形态学核的大小，最小间距决定分水岭的峰值抑制半径，边界对比度决定阈值该怎么设。业内常见做法是取一批样本统计目标面积的中位数和四分位距，我用的是更直接的办法——手动框选十个目标，打印出它们的包围盒宽高，取中位数。液滴一般在 15 到 40 像素之间，细胞视放大倍数可能小到 8 像素，这个数字要记牢，后面全部绕着它转。

还有一点容易被忽略：计数目标是否允许重叠。乳液的液滴经常三五个粘在一起，细胞培养更是成片生长。如果你的应用场景只要求"数出不粘连的独立目标"，那流程可以简化一大半；一旦粘连目标必须拆开计数，就必须上分水岭或者基于凹点分割，代码复杂度和调参难度会陡增。所以第一步先问清楚需求，别一上来就堆算法。

1.2 为什么这套活儿传统图像处理还能打

现在一提到图像识别，很多人的第一反应是训练一个检测模型。但在这个具体场景里，传统方法有它不可替代的优势。第一是样本量，实验室往往只有几十张图，标注成本高，训一个能泛化的模型不现实；第二是可解释性，研究人员需要知道"这个 320 是怎么数出来的"，而不是模型吐一个黑箱数字；第三是速度，一张 2048×1536 的图，传统流程跑完不到一秒，模型推理加后处理反而更慢；第四是部署，传统方法只需要一个 OpenCV 库，不需要 GPU，也不需要在特定设备上折腾环境。

当然，传统方法的天花板也明确：背景极其复杂、目标形态差异巨大的场景，它确实吃力。判断标准很简单——如果人眼能一眼分清目标和背景，传统方法大概率能做；如果人眼都要靠经验和上下文才能判断，那才考虑上模型。液滴和细胞恰好落在"人眼可分"这一档，所以传统管线的投入产出比更高。我一般会先用传统方法做一个基线版本，把计数结果和人工计数对比，误差在 5% 以内就收工，超过这个阈值再考虑引入更复杂的方案。

提示：不要一开始就追求 100% 准确。生物样本和液滴样本本身就存在边界模糊、成像噪声，人工重复计数两次的结果也会差 2% 到 3%。把目标定在"与人工计数高度一致"而不是"绝对精确"，能省掉大量无效调参。

1.3 四段式流水线：预处理—分割—分离—统计

整套方案我拆成四段，每一段职责单一，出了问题容易定位。预处理负责把图像变成"目标亮、背景暗"的二值候选，做灰度化、去噪、背景校正；分割负责用阈值把目标从背景里切出来，得到初步的二值掩膜；分离负责处理粘连，用距离变换加分水岭把抱团的目标拆成单个；统计负责过滤掉杂质、计算数量，并输出面积、直径等附加信息。

四段之间是串联的，但排错时一定要倒着查。很多新手看到计数结果不对，第一反应是调阈值，其实问题可能出在最后一步的面积过滤把小球全删了。我的习惯是每做完一段就把中间结果cv2.imwrite存下来看一眼，尤其是分割后的二值图和分水岭的标记图，这两张图能解释 80% 以上的计数异常。这个习惯看起来笨，但它比任何调试技巧都管用，因为你不需要猜，直接看就行。

2. 预处理：把"能看见"变成"能算"

预处理这一步经常被低估。很多人拿到图直接cv2.threshold一把梭，然后抱怨"这图怎么这么多噪点"。实际上，同一个阈值在干净图和脏图上的表现可以差出十万八千里。预处理的目标不是让图变好看，而是让目标和背景的灰度分布尽量分离开，让后续阈值有明确的谷底可切。这一段做扎实了，后面调参的难度会直线下降。

2.1 灰度化与通道选择：别急着 cvtColor

默认操作是cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)，但它按固定权重（0.299R + 0.587G + 0.114B）加权，对彩色信息不做区分。如果图像里液滴是蓝色的、背景偏黄，或者细胞经过染色后某个通道对比度特别高，直接转灰度反而把最有用的信息稀释掉了。我的做法是先cv2.split把三个通道拆开，分别算一下每个通道的灰度直方图，挑那个双峰最明显、谷底最深的通道。

具体判断方法很朴素：把三个通道各自做一次 Otsu 阈值，看哪个通道切出来的二值图目标最完整。这一步多花三十秒，往往能省掉后面半小时的调参。对于荧光染色的细胞图，通常绿色或红色单通道的对比度远高于灰度图；对于背光拍摄的液滴，蓝色通道有时更干净，因为光源色温的关系。如果三个通道都不理想，还可以试试通道相减，比如蓝减红，能把特定颜色的目标强化出来，这种玩法在彩色液滴实验里很好用。

注意：单通道处理时，cv2.imread直接带cv2.IMREAD_GRAYSCALE参数读灰度会丢失通道选择的机会。建议先按彩色读入，自己拆通道，调好之后再决定要不要在正式流程里改成灰度读法来提速。

2.2 去噪滤波的取舍

滤波器的选择直接决定你看不清的是噪点还是目标。我把常用几种的实际表现整理了一下，方便对照：

液滴图我一般用中值滤波，因为成像系统偶尔会有几个坏点或灰尘，这些孤立亮点在阈值化后会被当成小球计进去，造成计数虚高。中值滤波的ksize必须是大于 1 的奇数，取 3 就够了，取到 7 会把直径十来像素的小液滴也抹掉。细胞图我倾向双边滤波，因为细胞边界本来就模糊，高斯会把边界进一步糊开，导致分割后的细胞面积偏小、相邻细胞提前粘在一起。

这里有个反直觉的结论：滤波不是越强越好。很多教程建议先高斯再中值再双边来一遍，实际上每多一次滤波，目标边缘就多一次退化。我实测过一张 40 像素直径的液滴图，连续三次 ksize=5 的高斯之后，液滴边缘的灰度梯度下降了将近 40%，阈值化出来的面积缩小了约 15%。所以原则是：能一次滤波解决的问题，绝不上第二次。

2.3 背景不均与照明梯度校正

这是液滴和细胞图最普遍的坑。显微视野中心和边缘的亮度能差出 30% 以上，全局阈值一刀切下去，中间的目标被完整切出来，边缘的目标只剩半个或者干脆消失。解决办法是先把背景"拉平"。

最常用的是顶帽变换（Top-hat），原理是用原图减去开运算的结果，开运算相当于估计出大尺度的背景，减掉之后小目标就凸显出来了。代码就一行：

kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (51, 51)) tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, kernel)

核的大小是关键，必须明显大于目标直径，又要小于背景变化的尺度。目标直径 30 像素，核取 51 到 81 之间比较稳。核太小，液滴本身会被当成背景吃掉；核太大，背景校正不彻底。我的经验是取目标直径的两倍左右，用椭圆核而不是矩形核，因为椭圆核更贴合圆形目标的形状，不容易在角落产生方块状伪影。

另一种做法是背景相减法：把原图做一次大核高斯模糊得到背景估计，然后用cv2.subtract或者带偏移的cv2.absdiff减掉。这个方法的优点是连续过渡更自然，缺点是模糊核半径不好定，而且减完会出现负值被截断的问题，需要用cv2.add加一个偏移量。两种方法我都用，顶帽在目标边缘锐利时效果好，背景相减在目标柔和时更平滑。

提示：做完背景校正，图像的灰度范围会变小甚至整体偏暗，记得再跑一次cv2.normalize拉伸到 0 到 255，否则自适应阈值的blockSize和C参数会变得很难调。

3. 分割：阈值、形态学与粘连分离

分割这一步决定了"什么算目标"，是整条流程里最需要反复试错的地方。我的建议是先用一张有代表性的图把参数调到满意，然后再拿三到五张不同批次的图验证，如果参数在跨批次图上崩了，说明参数过拟合了单张图，得回到预处理阶段加强鲁棒性，而不是继续在阈值上抠。

3.1 阈值方法怎么选

OpenCV 里能用的阈值手段就那么几种，但适用场景差别很大，我按实际效果排了个序：

液滴图我一般先试 Otsu，因为背光成像的双峰通常很明显。如果目标所占面积不到全图的 5%，Otsu 会偏向背景，切出来的目标偏小甚至断裂，这时候切到自适应阈值。自适应阈值的两个参数要记牢：blockSize必须是奇数，通常取目标直径的 1.5 到 2 倍，太小会把目标内部切成空洞，太大就退化成全局阈值；C是常数偏移，从窗口均值里减掉，取正值会让分割更保守（目标更小），取负值更激进。我一般从blockSize=31, C=-5开始试，因为目标比背景亮，减负值相当于降低门槛，能把边缘较弱的目标也捞出来。

细胞图的情况更麻烦，因为细胞内部灰度不均匀，Otsu 经常把细胞核切出来、细胞质丢掉，结果是每个细胞数出好几个碎片。这种图要么改用自适应阈值，要么在阈值前先做一次强一点的背景校正，让整个细胞的灰度被拉平。如果细胞是荧光染色的，那就简单了，Otsu 加面积过滤基本够用。

3.2 形态学操作的参数手感

阈值化出来的二值图一定不干净：目标边缘有毛刺、内部有空洞、背景有零星噪点。形态学就是用来收拾这些的，但参数没调好会适得其反。

开运算（先腐蚀后膨胀）去孤立噪点，闭运算（先膨胀后腐蚀）填内部空洞。核的大小要参照目标直径：核直径超过目标直径的一半，小目标就会被整个腐蚀掉。我的经验值是3×3到5×5，只有在噪点特别严重时才上7×7，而且上完之后一定要检查小目标还在不在。核的形状我固定用cv2.MORPH_ELLIPSE，因为液滴和细胞都是圆的，椭圆核在角上的处理比矩形核自然，不会留下方块状边缘。

闭运算填洞的时候有个陷阱：如果两个目标离得很近，闭运算的膨胀步骤会把它们之间的缝隙填上，导致原本分开的两个目标粘成一个。这时候要么把核缩小，要么跳过闭运算直接用轮廓填充。我后来养成的习惯是：开运算必做，闭运算能不做就不做，内部空洞靠cv2.findContours加cv2.drawContours(..., thickness=-1)填充轮廓来解决，这样不会影响目标之间的距离。

3.3 粘连目标的距离变换与分水岭

这是整套流程里技术含量最高的一段，也是决定计数准不准的关键。两个液滴贴在一起，连通域分析会把它们算成一个，计数直接少一半。解决办法是基于距离变换的分水岭算法，思路是：先算出二值图里每个前景像素到最近背景像素的距离，粘连处的距离值会形成一个鞍点，而每个目标的中心会形成局部极大值，以这些极大值为种子向外"灌水"，水碰到的地方就是分割边界。

核心代码片段：

# 二值图先做距离变换 dist = cv2.distanceTransform(binary, cv2.DIST_L2, 5) # 归一化便于观察和定阈值 dist_norm = cv2.normalize(dist, None, 0, 1.0, cv2.NORM_MINMAX) # 取距离变换的局部极大值作为种子 _, sure_fg = cv2.threshold(dist_norm, 0.4 * dist_norm.max(), 255, 0) sure_fg = np.uint8(sure_fg) # 确定背景区域 kernel = np.ones((3, 3), np.uint8) sure_bg = cv2.dilate(binary, kernel, iterations=2) # 未知区域 = 背景 - 确定前景 unknown = cv2.subtract(sure_bg, sure_fg) # 标记种子 _, markers = cv2.connectedComponents(sure_fg) markers = markers + 1 markers[unknown == 255] = 0 # 分水岭 markers = cv2.watershed(color_img, markers)

这段代码里最需要手感的是那个0.4的系数。它决定种子区域的大小：取太大（比如 0.8），只有目标的绝对中心才被标记，粘连目标拆得开，但单个目标如果形状不规则可能被拆成两半；取太小（比如 0.2），种子区域连在一起，粘连目标拆不开。我的经验是取 0.3 到 0.5 之间，先从 0.4 试，如果发现单个大目标被拆成两个，往上调；如果粘连目标拆不开，往下调。这个系数和目标直径与粘连程度强相关，必须结合自己图的具体情况来定。

sure_bg的膨胀次数也有讲究。次数太少，目标边缘的模糊区域会被划进未知区域，分水岭边界会往目标内部收；次数太多，相邻目标之间的未知区域被抹平，分水岭就失效了。我一般用iterations=2，核固定3×3。

还有一个更轻量的替代方案：如果粘连不严重，只是偶尔两个粘一起，可以用cv2.HoughCircles直接做圆检测。霍夫圆的参数minDist设成目标直径的 0.8 倍，param2从 30 开始往下试，能省掉分水岭的一堆调参。但霍夫圆对非圆形目标无能为力，细胞图基本用不上，液滴图如果圆度好倒是可以考虑。我一般两种都跑一遍，对比计数结果，取更接近人工计数的那个。

3.4 轮廓过滤：面积、圆形度、实心度

分水岭跑完，标记图里每个目标都有一块区域，但里面混着各种杂质：边缘的碎屑、没过滤干净的噪点、被误切的气泡。直接用连通域总数当结果，误差可能高达 20%。必须加过滤条件。

最有效的是面积过滤。用前面手动统计的中位面积做基准，设定[0.3 × median, 3.0 × median]的区间，区间外的全部丢弃。下限防噪点，上限防粘连没拆开的巨型目标。这个上下限我一般取得比较宽松，因为细胞在分裂期大小差异本来就大，卡太死会误杀。

第二个是圆形度，公式是4πA/P²，圆形取 1，越不规则的形状值越小。液滴一般圆形度在 0.7 以上，可以卡 0.6；细胞形状不规则，卡 0.3 就够，卡高了会误杀。第三个是实心度，即轮廓面积与凸包面积的比值，用来剔除细长或凹陷的杂质，液滴可以卡 0.85 以上。

for cnt in contours: area = cv2.contourArea(cnt) if area < min_area or area > max_area: continue peri = cv2.arcLength(cnt, True) if peri == 0: continue circularity = 4 * np.pi * area / (peri ** 2) if circularity < 0.6: continue hull = cv2.convexHull(cnt) solidity = area / cv2.contourArea(hull) if solidity < 0.85: continue count += 1

注意：过滤条件宁松勿紧。过滤太严，计数偏少，而且漏掉的目标你根本不知道去哪了；过滤太松，计数偏多，但多出来的目标可以在结果图里用不同颜色标出来，人工复核一眼就能剔除。可解释性比绝对准确更重要。

4. 完整实现：从单张图到批量统计

前面几段是拆开讲的，这里把整条管线串起来，给一份能直接跑的代码，顺带讲清楚每一步的参数为什么这么设。代码写成了面向过程的风格，原因是这类脚本改参数频率极高，封装成类反而碍事。

4.1 环境与项目结构

依赖很少，opencv-python加numpy就够，如果要画统计图再加matplotlib。安装命令：

pip install opencv-python numpy matplotlib

项目目录我习惯这样组织：

droplet_count/ ├── data/ │ ├── input/ # 原始图 │ └── output/ # 标注结果图和 CSV ├── config.py # 所有参数集中在这里 └── count.py # 主流程

把参数抽到config.py里是踩过坑之后的习惯。早期参数散在各个函数里，换一批图要改七八个地方，经常改漏一个导致结果莫名其妙。集中之后，换批次的成本就是改一个文件，而且参数本身也成了一份记录，能看出上一批图用的是什么设置。

# config.py MIN_AREA = 120 MAX_AREA = 4200 CIRCULARITY_MIN = 0.6 SOLIDITY_MIN = 0.85 TOPHAT_KERNEL = 61 BLUR_KSIZE = 3 FG_RATIO = 0.4

这些初始值是怎么定的？MIN_AREA=120对应直径约 12 像素的圆，比我手动统计的最小目标还小一圈，保证不误杀；MAX_AREA=4200对应直径约 73 像素，是最大液滴面积的三倍，专门用来兜住没拆开的粘连块。TOPHAT_KERNEL=61是目标直径中位数 30 的两倍加一。

4.2 核心代码拆解

主流程分成读图、预处理、分割、分离、统计五步，一步一步来。

import cv2 import numpy as np import csv import os from config import * def load_and_preprocess(path): img = cv2.imread(path, cv2.IMREAD_COLOR) if img is None: raise FileNotFoundError(path) # 取对比度最高的通道 b, g, r = cv2.split(img) best, best_score = None, -1 for ch in (b, g, r): _, tmp = cv2.threshold(ch, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU) score = cv2.countNonZero(tmp) # 前景占比在 3% 到 30% 之间视为合理 ratio = score / tmp.size if 0.03 < ratio < 0.3 and abs(ratio - 0.12) < abs(best_score - 0.12): best, best_score = ch, ratio gray = best if best is not None else cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 中值去噪 gray = cv2.medianBlur(gray, BLUR_KSIZE) # 顶帽校正背景 k = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (TOPHAT_KERNEL, TOPHAT_KERNEL)) tophat = cv2.morphologyEx(gray, cv2.MORPH_TOPHAT, k) tophat = cv2.normalize(tophat, None, 0, 255, cv2.NORM_MINMAX) return img, tophat

通道选择那段用一个简单的启发式：前景占比落在 3% 到 30% 之间，并且越接近 12% 越优先。12% 不是我拍脑袋定的，是统计了手上二十张液滴图的平均前景占比。这个启发式不完美，但它能自动跳过那些"整张图全白"或"整张图全黑"的退化通道，比固定取灰度稳得多。

分割和分离：

def segment(gray): # 自适应阈值，blockSize 必须是奇数 binary = cv2.adaptiveThreshold( gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 31, -5 ) # 开运算去噪 k3 = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3)) binary = cv2.morphologyEx(binary, cv2.MORPH_OPEN, k3, iterations=1) return binary def split_touching(binary, color_img): dist = cv2.distanceTransform(binary, cv2.DIST_L2, 5) dist_norm = cv2.normalize(dist, None, 0, 1.0, cv2.NORM_MINMAX) _, fg = cv2.threshold(dist_norm, FG_RATIO, 1.0, 0) fg = np.uint8(fg) sure_bg = cv2.dilate(binary, np.ones((3, 3), np.uint8), iterations=2) unknown = cv2.subtract(sure_bg, fg * 255) _, markers = cv2.connectedComponents(fg) markers = markers + 1 markers[unknown == 255] = 0 markers = cv2.watershed(color_img, markers) return markers

统计部分用标记图遍历，每个标记值对应一个区域：

def count_and_filter(markers, color_img, out_path): result = color_img.copy() count = 0 stats = [] for label in np.unique(markers): if label <= 1: # 0 是边界，1 是背景 continue mask = np.uint8(markers == label) * 255 cnts, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) if not cnts: continue cnt = max(cnts, key=cv2.contourArea) area = cv2.contourArea(cnt) if area < MIN_AREA or area > MAX_AREA: continue peri = cv2.arcLength(cnt, True) if peri <= 0: continue circ = 4 * np.pi * area / (peri ** 2) if circ < CIRCULARITY_MIN: continue hull_area = cv2.contourArea(cv2.convexHull(cnt)) if hull_area <= 0 or area / hull_area < SOLIDITY_MIN: continue count += 1 (x, y), r = cv2.minEnclosingCircle(cnt) stats.append([count, round(x, 1), round(y, 1), round(2 * r, 1), round(area, 1)]) cv2.drawContours(result, [cnt], -1, (0, 255, 0), 2) cv2.putText(result, str(count), (int(x) - 8, int(y) + 4), cv2.FONT_HERSHEY_SIMPLEX, 0.4, (0, 0, 255), 1) cv2.imwrite(out_path, result) return count, stats

markers里 0 是分水岭边界，1 是背景，每个目标的标记值从 2 开始。遍历的时候要跳过前两个，否则边界线会被当成一个面积巨大的区域。这个坑我踩过一次，计数结果里突然多出一个几千像素的"目标"，查了半天才发现是边界。

4.3 像素标定：把"个"变成"个/微升"

数出个数只是第一步，实验人员真正要的是浓度。这里有一步绕不开：像素到实际尺寸的换算。方法是用一张已知刻度的标尺图（比如血球计数板的网格），量出 1 毫米对应多少像素，得到比例系数k（像素/毫米）。之后每个目标的直径d_px除以k就是毫米，面积同理。

如果图像是显微拍摄的，还可以通过物镜倍数和相机像元尺寸反推：实际长度 = 像素数 × 像元尺寸 / 放大倍数。但这个方法对成像系统的参数准确性依赖很高，我一般还是用标尺图实测，稳妥。

拿到直径之后，液滴的体积按球体算V = (4/3)π(d/2)³，细胞按你需要的指标来。浓度则是把视野内所有目标的体积求和，除以视野对应的实际体积。这一步的误差主要来自直径测量，直径误差 10%，体积误差就有 33%，所以minEnclosingCircle给出的半径建议取多张图的中位数做校准，而不是逐张算。

提示：标定比例系数一定要用同一套拍摄参数（同一物镜、同一工作距离、同一相机设置）下的标尺图。换物镜之后比例会变，之前存的比例系数不能直接复用，这个坑在跨批次实验里极其常见。

4.4 批量跑与结果落盘

单张调通之后，批量处理就是把目录扫一遍。结果除了标注图，我还会输出一份 CSV，字段包含编号、中心坐标、直径、面积，方便后续做分布统计。液滴粒径分布、细胞大小分布这些分析，往往比单纯的计数更有价值。

def batch_process(input_dir, output_dir): os.makedirs(output_dir, exist_ok=True) summary = [] for fname in sorted(os.listdir(input_dir)): if not fname.lower().endswith(('.png', '.jpg', '.tif', '.bmp')): continue path = os.path.join(input_dir, fname) img, gray = load_and_preprocess(path) binary = segment(gray) markers = split_touching(binary, img) out_img = os.path.join(output_dir, fname.rsplit('.', 1)[0] + '_marked.png') n, stats = count_and_filter(markers, img, out_img) summary.append([fname, n]) with open(out_img.replace('_marked.png', '.csv'), 'w', newline='') as f: w = csv.writer(f) w.writerow(['id', 'cx', 'cy', 'diameter_px', 'area_px']) w.writerows(stats) print(f'{fname}: {n}') with open(os.path.join(output_dir, 'summary.csv'), 'w', newline='') as f: w = csv.writer(f) w.writerow(['file', 'count']) w.writerows(summary)

批量跑的时候我习惯加一个异常捕获，某张图读失败或者格式不对时跳过并打印文件名，不要让一张坏图卡住整批。这个看起来是小事，但跑几百张图的时候，一张坏图导致程序崩掉、前面跑的全白费，是很让人抓狂的。

5. 常见问题与排查实录

调这套流程的两年里，遇到的问题高度集中在那几类。我把它们整理成一张速查表，后面再展开讲几个最典型的。

5.1 一张速查表

5.2 计数偏多与偏少的六大元凶

计数偏多最常见的原因是噪点。图像传感器噪声、灰尘、压缩伪影，在阈值化之后都会变成小白点，面积过滤如果下限设得太低，这些点全被计进去。排查方法很直接，把所有被计数的轮廓面积打印出来，如果有一大批面积只有几十像素的，那基本就是噪点。处理办法要么提高MIN_AREA，要么在形态学开运算上加大力度。

第二个原因是目标内部被切碎。细胞图特别容易出现，因为细胞核和细胞质的灰度差异大，阈值一刀切下去，一个细胞被分成核、质两块，甚至更多。这种情况下计数会翻倍。判断依据是标注图上同一个细胞出现多个编号，且这些编号的轮廓彼此靠近、面积都偏小。处理办法是阈值前做强背景校正，或者用闭运算填内部空洞。

计数偏少的第一元凶是粘连未拆开。这个前面讲过了，调FG_RATIO。第二是面积上限设死，两个目标粘成一个大块，面积超过MAX_AREA被直接丢弃，于是不但没拆开，还整个消失了。这种情况在标注图上表现为某片区域明显有目标但没编号，把MAX_AREA调大或者打印被丢弃的轮廓就能确认。第三是边缘目标因光照不足没被切出来，这个只能靠预处理解决。

第六个原因比较隐蔽：通道选错。某些批次图的某个通道里目标很淡，自动选通道的逻辑选了一个前景占比看起来合理但实际目标不完整的通道，导致目标边缘缺失。这种情况看标注图能发现目标轮廓比实际小一圈，处理办法是固定通道或者手动指定。

5.3 我踩过的几个坑

坑一：cv2.findContours的返回值随版本变化。OpenCV 3.x 返回三个值，4.x 返回两个。网上的代码两种都有，复制过来直接报错。建议写个兼容处理，或者干脆锁定 4.x 版本。我现在的写法是cnts = cv2.findContours(...)，然后用长度判断取哪个，虽然丑但省事。

坑二：distanceTransform的输出类型。它返回的是float32，不是uint8。直接拿去做cv2.threshold会报类型错误，必须先归一化再转。我第一次写的时候在这一行卡了半小时，错误信息还特别不直观。

坑三：watershed会修改原图。cv2.watershed(img, markers)里的img是会被就地修改的，边界会被画成 -1。如果后面还要用这张原图做别的事，必须先copy()一份。我做标注图的时候就是忘了这一点，结果标注图上的原图被画满了红线，一开始还以为是分水岭出了问题。

坑四：自适应阈值的blockSize不能是偶数。这个错误 OpenCV 会直接抛异常，好排查。但blockSize设得过大时不会报错，只是效果退化成全局阈值，很难发现。建议每次改完blockSize都看一眼二值图，确认背景梯度确实被处理了。

坑五：JPEG 压缩会把二值化结果搞乱。如果你的输入是 JPEG，压缩块效应会在目标边缘产生灰度波动，阈值化后边缘呈锯齿状，面积测量偏差能到 10%。能拿到 PNG 或 TIFF 就用无损格式，实在只有 JPEG，就先把ksize提到 5 做一次中值滤波压一压块效应。

坑六：批量跑图时参数不能一把通用。不同批次的光照、曝光、染色浓度都会有差异。我试过一套参数跑三个批次，第一个批次误差 3%，第三个批次误差 25%。后来改成每批先抽三张图人工数一遍做校准，参数改完再批量跑，误差稳定在 5% 以内。多花的那十分钟，比后面返工排查省太多时间。

我个人在实际操作中的体会是，这类项目的成败八成取决于预处理和参数标定，算法本身反而是最成熟的。与其花时间研究更花哨的分割方法，不如老老实实把通道选对、背景拉平、面积标定做准。还有一个小技巧可以分享：把每次调参后的中间图按"预处理后、二值图、种子图、标注图"四张一组存到一个带时间戳的文件夹里，出问题时能回溯到具体是哪一步变的，比凭记忆复现靠谱得多。