水果检测与自动识别分级：1,对于图像的灰度处理，二值化 2,边缘检测，特征提取，中值滤波 对于水果的分级，包括对水果的用颜色模型进行分析处理

上周在社区超市兼职帮理货员姐姐理了三小时柑橘，指甲缝卡得全是橙皮油，最后挑出的大小均匀色泽又鲜亮的还没一小筐——分拣机要是能普及到这种夫妻老婆店就好了！但分拣机背后的核心其实就是几步我们普通人用Python OpenCV就能捣鼓出来的操作：先把水果从背景“揪出来”，再“看清楚”它的形状大小有没有疤，最后“摸准”（用算法算啦）颜色够不够卖相。

今天就拆开来唠唠这几步，中间混点小代码，大家要是有兴趣可以找家里纯色盘子上的苹果橘子拍个照试试玩。

第一步：先把“多余的背景噪声”扫干净——灰度处理、二值化、中值滤波

首先拿到一张手机拍的彩色图，OpenCV默认读进来是BGR三通道的（划个小重点，不是我们更熟的RGB哦，后期要转RGB才会看到正常颜色预览）。这三个通道每个像素都有256种取值，信息太杂太乱了，就像你找东西的时候桌面上全是碎纸——先把彩色图简化成“灰度黑白照”（信息只剩1个通道，只有亮暗区别，没有色彩），桌面干净一半！

import cv2
import numpy as np

img = cv2.imread('apple_test.jpg')
# OpenCV默认读BGR，先转成RGB存个副本，后面显示颜色方便
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
# 转灰度！
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 先看看效果对比（怕AI太啰嗦，直接用cv2的简单窗口展示就行）
cv2.imshow('原图BGR（可能有点奇怪）', img)
cv2.imshow('灰度版', gray)
cv2.waitKey(0)
cv2.destroyAllWindows()

接下来是“扫桌面碎纸渣”——中值滤波。有时候拍照片手抖或者盘子有小灰尘，灰度图里会有很多小噪点，边缘检测的时候会识别成乱七八糟的线。中值滤波就像用“取周围像素中位数”的小刷子，把这些小噪点磨掉，又不会把水果的轮廓磨糊（这点比高斯滤波好多了，高斯会把边缘柔化得像加了美颜磨皮）。

然后就是“把水果和盘子彻底分开”——二值化。简单来说就是设定一个“亮度门槛”：比门槛亮的像素全变成白色（255），比门槛暗的全变成黑色（0）。像我选的这个纯白背景红富士，背景亮暗都差不多在240以上，苹果果肉果核暗一些，门槛设成220左右就行。如果背景不是纯色的，后面还可以补自适应阈值，但纯色背景先玩明白全局的～

# 中值滤波，ksize选3或者5就行，3磨小渣，5磨稍大一点的
blur = cv2.medianBlur(gray, 3)

# 全局二值化，这里我试了试220的门槛，效果还不错
ret, binary = cv2.threshold(blur, 220, 255, cv2.THRESH_BINARY_INV)
# 这里加了个_INV！因为红富士暗背景亮，默认的BINARY是亮变白暗变黑，我们要水果主体变白，所以反过来

# 展示磨完噪点的图和二值化后的“黑白剪影”
cv2.imshow('磨完噪点的灰度', blur)
cv2.imshow('黑白剪影', binary)
cv2.waitKey(0)
cv2.destroyAllWindows()

第二步：“看清楚”水果长啥样——边缘检测、特征提取

剪影出来了，接下来要“勾出水果的轮廓”（边缘检测），然后用轮廓算它的面积、周长、圆度——圆度高的大概率是好苹果（没烂没被挤变形），面积周长对应大小。

水果检测与自动识别分级：1,对于图像的灰度处理，二值化 2,边缘检测，特征提取，中值滤波 对于水果的分级，包括对水果的用颜色模型进行分析处理

边缘检测我用Canny吧，这个是经典中的经典，检测出来的轮廓细而且准，就像画画用的勾线笔。Canny需要两个参数：低阈值和高阈值，低于低阈值的边缘直接扔掉，高于高阈值的直接保留，中间的如果连到高阈值的边缘也保留，一般取1:2或者1:3的比例就行，比如30和60。

# Canny边缘检测
edges = cv2.Canny(binary, 30, 60)

# 找轮廓！这里的cv2.RETR_EXTERNAL只找最外层的轮廓（水果边缘），忽略内部果核啥的小轮廓
contours, hierarchy = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 先把轮廓画在RGB原图上看看准不准
# copy一份原图，避免破坏原始数据
contour_img = img_rgb.copy()
# contours[0]就是我们的苹果轮廓，因为只有一个水果嘛，颜色用红色(0,255,0？哦不对，RGB是(255,0,0)，厚度选2
cv2.drawContours(contour_img, contours, 0, (255, 0, 0), 2)

# 展示边缘图和画了轮廓的原图
cv2.imshow('Canny边缘', edges)
cv2.imshow('勾了轮廓的苹果', cv2.cvtColor(contour_img, cv2.COLOR_RGB2BGR)) # 转BGR给cv2显示
cv2.waitKey(0)
cv2.destroyAllWindows()

勾准了轮廓就来算特征！先算面积（像素面积，后期可以通过对比参照物比如硬币的像素面积换算成实际平方厘米），再算周长，最后算圆度=4π*面积/(周长²)——完美的圆圆度是1，一般超市卖的红富士圆度能到0.8以上，烂掉的挤扁的会掉到0.7以下。

# 轮廓[0]的面积
area = cv2.contourArea(contours[0])
# 轮廓[0]的周长，True表示是闭合轮廓
perimeter = cv2.arcLength(contours[0], True)
# 圆度
roundness = 4 * np.pi * area / (perimeter ** 2)

print(f"这个苹果的像素面积是：{area}")
print(f"像素周长是：{perimeter:.2f}")
print(f"圆度是：{roundness:.2f}")

我用的那张图圆度大概是0.87，卖相还不错～

第三步：“摸准”颜色够不够格——颜色模型分析

形状大小没问题了，最后就是颜色了！不能用BGR或者RGB来分析，因为这两个颜色模型受光照影响太大了——比如同一个苹果在太阳下拍和在超市灯光下拍，RGB数值差很多。

要用HSV颜色模型！这个模型把颜色分成了H（色相，0-180，代表是什么颜色：红是0-10和170-180，橙是11-25，绿是35-77，黄是26-34）、S（饱和度，0-255，代表颜色纯不纯：0是灰色，255是最鲜艳的）、V（明度，0-255，代表亮不亮：0是黑，255是白）三个部分，我们只需要关注H和S就行，V可以稍微忽略或者做个小范围过滤，受光照影响就小多啦！

比如挑红富士，我们要选H在0-10和170-180之间，S在80-255之间（饱和度够高，不是那种淡红）的区域占比大的苹果。

# 先把RGB转成HSV
hsv = cv2.cvtColor(img_rgb, cv2.COLOR_RGB2HSV)

# 红富士有两个红色区间：低红（0-10）和高红（170-180），分别做掩膜
lower_red1 = np.array([0, 80, 50]) # 这里V留了50以上，避免太暗的阴影区域干扰
upper_red1 = np.array([10, 255, 255])
mask1 = cv2.inRange(hsv, lower_red1, upper_red1)

lower_red2 = np.array([170, 80, 50])
upper_red2 = np.array([180, 255, 255])
mask2 = cv2.inRange(hsv, lower_red2, upper_red2)

# 把两个掩膜合起来
mask = cv2.bitwise_or(mask1, mask2)

# 把掩膜和二值化的水果剪影再合一次！只统计水果区域内的红色像素，避免背景干扰
final_mask = cv2.bitwise_and(mask, binary)

# 统计红色区域像素数
red_pixels = cv2.countNonZero(final_mask)
# 统计水果总像素数（就是之前的轮廓面积）
total_pixels = area
# 红色占比
red_ratio = red_pixels / total_pixels

print(f"这个苹果的红色区域占比是：{red_ratio:.2%}")

# 展示一下最终的红色区域掩膜
cv2.imshow('只保留红富士区域的掩膜', final_mask)
cv2.waitKey(0)
cv2.destroyAllWindows()

我用的那张图红色占比大概是78%，已经算是一级果啦！一般来说夫妻老婆店卖的红富士红色占比50%以上就行，超市精品区要70%以上。

好了，捣鼓到这里，一台“迷你简易版水果分拣机”的核心算法就差不多了！把面积、圆度、红色占比这三个指标结合起来，设个阈值，就能自动把水果分成一级、二级、三级甚至淘汰品啦～虽然没法和工业级的比，但自己在家玩玩，给夫妻老婆店提个小思路还是没问题的！