实战项目 | 利用边缘检测计算物体面积（内含源码）-CSDN博客

本文介绍了一种利用图像处理算法，特别是边缘检测技术，从卫星图像中计算农田面积的方法。通过应用中值滤波、灰度化、Sobel、Canny和拉普拉斯算子等滤波器，对图像进行预处理和边缘检测。最终，通过膨胀运算和区域属性计算确定每个地块的面积。代码和详细教程可在GitHub找到。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

点击上方“迈微AI研习社”，选择“星标★”公众号

重磅干货，第一时间送达

文末有项目源码链接。

在农业中，通常希望获取不同土地的面积。虽然获取这些土地的面积操作相对容易，但是却涉及高额的费用。另外，如果对于不规则形状的土地，测量土地面积的大小就变得相对困难。

幸运的是，有大量以卫星图像的形式公开提供的农场土地数据。如下图所示就是得到的土地的图片。根据这样的图片，应用图像处理算法，就可以计算得到每块土地的面积。

我们可以使用导数滤波器，因为它似乎与人类如何区分土地或地块的方式相匹配。当我们观察物体时，我们使用对比度和阴影来确定物体的形状，种类。类似地，可以使用导数滤波器来寻找对比区域。如果像素值与其周围像素之间的差大于阈值，则将其标记为1，否则标记为0。这将创建一个具有选定原始图像边缘的二进制图像。

原始图像中存在大量噪点和细节，这可能会降低算法的成功率。建议在应用导数滤波器操作之前，对图像进行模糊滤波去除噪声。我们可以使用任意的模糊滤波器完成图像去噪。由于我们主要目的是消除噪声和微小的细节，同时保留绘图的颜色以用于对比，因此我们使用了4x4的中值滤波器。之后对图像进行灰度化，得到灰度图像以便后续进行边缘检测。具体结果如下图所示。

之后尝试了三种边缘检测方法以找到最佳结果。

第一种边缘检测滤波器是Sobel滤波器。该滤波器在图像的每个像素上执行梯度检测。内置的Matlab、opencv函数可在水平和垂直方向上执行操作，并将结果组合在一起。具体结果如下所示。

通过结果可以知道生成的图像几乎没有噪点。但是，不幸的是将滤波后的图像与原始图像进行比较，可以看出，地块之间的许多分隔线没有被很好地拾取。在农田的颜色与相邻地块差异不大的地区尤其如此。

第二种边缘检测方法是Canny过滤器。滤波结果在下面给出，从Canny滤波结果可以看出Canny滤波器检测了了更多的边缘。但是同样存在缺点，这种方式会产生更多的噪声。考虑到Canny算法将通过幅度阈值函数的像素与通过稍低阈值函数的相邻像素合并，这是可以预期的。Canny算法比简单的Sobel滤波器更为复杂。它还取决于事先要进行的高斯平滑。使用中值滤波器可能会阻止最佳结果。

第三种滤波器是高斯滤波器的拉普拉斯算子。该滤波器提取的结果如下图所示。

通过结果我们可以发现，无论我们使用什么过滤器，都可以看到大多数突出的道路都被检测到了。但是，农田内部的小区域和靠近道路的房屋是否产生的噪声取决于我们选取的滤波器种类。农田图像的这一特征使其非常适合高斯滤波器的拉普拉斯算子。查看测试结果，可以得出一个比较理想的结果。找到的道路数量最多，噪音最小。

为了进一步去除图像中的噪声，去除总像素面积小于平均像素面积值的所有白色区域。这个阈值是我们经过多次试验得到的一个经验值。小伙伴也可以尝试其他的阈值。

之后对图像进行反转，得到田地的区域。之后对这个结果进行尺寸位4的膨胀运算，结果如下图所示。

有了这个图像，计算每个土地的面积就很简单了。Matlab（或OpenCV）的regionprop函数可用于查找每个区域的面积。仍有少量田地不是真正的田地，有些是道路或其他细节。为了减轻这些面积，我们只计算面积大于平均值减去一个标准偏差的区域。

然后为每个区上色，并在其位置打印其像素尺寸。结果可以在下图中看到。打印的尺寸是该区域中像素的数值。除非像素和图像尺寸之间存在已知比例，否则这些值将毫无用处。但是，我们知道卫星图（例如Google Maps）往往带有刻度，这就位像素数值提供了意义。

结果还是比较满意。该应用程序能够将大多数地块分成自己的特定区域。但是，有一些例外。例如，像素值47,680的大橙色部分将两个区域融合在一起。这可以通过使用膨胀值来解决。要考虑的另一项内容是，道路的扩张确实侵蚀了农场的像素区域。为了获得更准确的农场价值，可能需要将这种侵蚀的结果添加到农场的总面积中。感兴趣的小伙伴可以自行实现。

接下俩给出另一个示例结果