好的，我将基于你提供的报错信息以及之前给出的改进建议，为你提供一段完整的Python代码示例。我们将把有问题的部分替换成经过优化后的代码，并确保整个程序可以正常工作。 假设原程序的主要功能是从二值图像中检测出目标物体并查找它们的凹陷缺陷（即通过`cv::convexityDefects`）。以下是完整修复后的代码： ```python import cv2 import numpy as np def main(): # 加载二值化的图片路径 image_path = 'path_to_binary_image.png' # 读取灰度图 binary_image = cv2.imread(image_path, 0) if binary_image is None: raise ValueError(f"未能加载指定路径 {image_path} 的图像") # 形态学开运算去除噪点和平滑边界 kernel = np.ones((5, 5), np.uint8) opening = cv2.morphologyEx(binary_image, cv2.MORPH_OPEN, kernel) # 查找所有外部轮廓 contours, hierarchy = cv2.findContours(opening.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[-2:] MIN_AREA_THRESHOLD = 100 # 设置最小允许区域大小 valid_contours = [] result_image = cv2.cvtColor(opening, cv2.COLOR_GRAY2BGR) # 将灰色转换成彩色用于绘图显示 for idx, cnt in enumerate(contours): # 计算每个轮廓的面积并过滤掉过小的对象 area = cv2.contourArea(cnt) if area < MIN_AREA_THRESHOLD: continue perimeter = cv2.arcLength(cnt, True) # 对轮廓做多边形逼近以简化形状 epsilon = 0.02 * perimeter approximated_cnt = cv2.approxPolyDP(cnt, epsilon, True) # 获取凸包索引 hull = cv2.convexHull(approximated_cnt, returnPoints=False) # 只有当凸包包含三个以上顶点时才有意义计算凹陷缺陷 if len(hull) >= 3: try: defects = cv2.convexityDefects(approximated_cnt, hull) if defects is not None and len(defects) > 0: draw_defect_points(result_image, approximated_cnt, defects) valid_contours.append({ "index": idx, "area": area, "perimeter": perimeter, "approximated_contour": approximated_cnt, "hull": hull, "defects": defects.tolist() # 存储为列表形式方便后续处理或保存到文件中 }) except Exception as e: print(f"警告：对于第 {idx + 1} 个轮廓，在尝试获取凹陷缺陷时发生了异常 - 错误消息: {str(e)}") # 绘制最终结果 visualize_results(result_image, valid_contours) def draw_defect_points(img, contour, defects): """绘制凹陷缺陷对应的远端点""" color_red = (0, 0, 255) line_thickness = 2 circle_radius = 5 for i in range(defects.shape[0]): s, e, f, d = defects[i][0] start_point = tuple(contour[s][0]) end_point = tuple(contour[e][0]) farthest_point = tuple(contour[f][0]) # 绘制线条连接起点终点 cv2.line(img, start_point, end_point, color=color_red, thickness=line_thickness) # 标记最远处的点（红色圆圈） cv2.circle(img, farthest_point, radius=circle_radius, color=color_red, thickness=-1) def visualize_results(img, results): """展示结果图像及统计信息""" if isinstance(results, list) and len(results) == 0: print("未找到满足条件的有效轮廓.") return output_info = "" for r in results: index_str = str(r["index"] + 1).rjust(4) area_str = "{:.2f}".format(r['area']).ljust(7) num_defects = str(len(r.get('defects', []))).center(6) info_line = f"Contour #{index_str}: Area={area_str}, Defect Count={num_defects}\n" output_info += info_line print(output_info.strip()) window_name = "Detected Convex Hull & Defect Points" # 创建一个新的窗口来查看大尺寸的结果 screen_res = 1920, 1080 scale_width = screen_res[0] / img.shape[1] scale_height = screen_res[1] / img.shape[0] scale = min(scale_width, scale_height) scaled_dimensions = ( int(img.shape[1]*scale), int(img.shape[0]*scale)) resized_result = cv2.resize(img, scaled_dimensions, interpolation=cv2.INTER_LINEAR_EXACT) cv2.namedWindow(window_name, cv2.WINDOW_AUTOSIZE) cv2.imshow(window_name, resized_result) key_pressed = cv2.waitKey(0) if key_pressed != -1: cv2.destroyWindow(window_name) if __name__ == "__main__": try: main() except KeyboardInterrupt: pass finally: cv2.destroyAllWindows() ``` ### 关键改动说明： 1. **形态学变换**：我们在寻找轮廓前添加了一步形态学“开”运算(`MORPH_OPEN`)，这可以帮助消除一些不必要的细碎噪声和干扰物。 2. **面积阈值筛选**：为了防止处理那些微不足道的小斑块，设置了最低面积限制 (`MIN_AREA_THRESHOLD`) ，只对较大的轮廓进行进一步分析。 3. **轮廓逼近与凸包检测** ：使用 `arcLength()` 和 `approxPolyDP()` 函数来近似表示原始轮廓，从而减少复杂性和潜在冲突的可能性；同时利用返回索引而非坐标的选项来获得正确的凸壳序列。 4. **异常捕捉机制** ：增加了对可能出现错误的情况下的容错能力，使得即使某些特定轮廓存在问题也不会中断整个进程。 5. **可视化增强** ：改进了结果显示的方式，不仅限于简单地画线标记关键位置，还包括动态调整视窗大小适应屏幕分辨率等用户体验方面的提升。 希望这段更健壮且易于理解和维护的新版本代码能满足您的需求！