对于现在很多工业检测，特别是对一些精密的器件进行筛选，往往都是像素级别的，十分的精确。
主要思想
将图像转化为二值图像在对图像进行腐蚀/膨胀处理在进行轮廓检测筛选目标大小符合的轮廓（排除误差小的轮廓）在在进行膨胀化处理，将轮廓信息绘制出
import cv2
import os
import numpy as np
import time
t1 = time.time()
img = cv2.imread('./label/28901647.jpg', 0)
img_copy = cv2.imread('./label/28901647.jpg', 0)
mask = np.zeros_like(img)
print(np.shape(img))
# 先利用二值化去除图片噪声
ret, img = cv2.threshold(img, 80, 255, cv2.THRESH_BINARY)
es = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (4, 2))
img = cv2.dilate(img, es, iterations=1) # 形态学膨胀
kernel = np.ones(shape=[5,5],dtype=np.uint8)
img = cv2.erode(img,kernel=kernel) # 腐蚀操作
cv2.imshow('aa',img)
cv2.waitKey(0)
contours, _ = cv2.findContours(img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
n = len(contours) # 轮廓的个数
cv_contours = []
for contour in contours:
area = cv2.contourArea(contour)
if area <= 500:# 筛选面积大于500的，小于500的全部变为255，
cv_contours.append(contour)
# 方式一
# x, y, w, h = cv2.boundingRect(contour) # 这个函数可以获得一个图像的最小矩形边框一些信息，参数img是一个二值图像，它可以返回四个参数，左上角坐标，矩形的宽高 (轮廓集合 contour)
# img[y:y + h, x:x + w] = 255
else:
cv2.drawContours(img_copy, [contour], -1, (0, 0, 255), 0) # 多边形轮廓绘制
print('area:', area)
continue
# 方式二
cv2.fillPoly(img, cv_contours, (255, 255, 255)) # 多个多边形填充
t2 = time.time()
print('时间：',t2-t1)
cv2.imwrite('./output/28901647.jpg', img)
1、寻找到的轮廓信息（缺陷）
2、通过腐蚀、膨胀后的，筛选出的较大缺陷
3、通过不同程度的膨胀腐蚀、缺陷面积筛选
