найти контуры находит слишком много контуров на смоделированном изображении

В вашем коде есть две проблемы. Вы получите лучшие результаты, если инвертируете и размываете изображение. Это мои результаты после применения этих двух операций до нахождения контуров:

Функция OpenCV findContours() находит темные контуры на светлом фоне. Если вы хотите найти белые пространства, которые являются камнями, вам нужно сначала инвертировать двоичное изображение. Вы можете инвертировать двоичное изображение следующим образом invertedImage = 255 - binaryImage. Размытие также помогает, потому что оно соединяет пиксели, которые должны быть соединены, но не из-за низкого разрешения. Размытие выполняется кодом blurredImage = cv2.blur(img, (2,2)). Это перевернутое размытое изображение:

Это код, который я использовал:

import cv2
import random
# Read image
gray = 255-cv2.imread('/home/stephen/Desktop/image.png', 0)
gray = cv2.blur(gray, (2,2))
# Find contours in image
contours, _ = cv2.findContours(gray, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
print(len(contours))
img = cv2.imread('/home/stephen/Desktop/image.png')
for cnt in contours:
    color = random.randint(0,255),random.randint(0,255),random.randint(0,255)
    img = cv2.drawContours(img, [cnt], 0, color, cv2.FILLED)
cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

Я бы попробовал пару вещей:

• двусторонний фильтр вместо размытия. Он сглаживает объекты аналогично размытию, но также пытается сохранить границы, что хорошо для сегментации. Недостатки - это дорого с точки зрения вычислений, но вы можете найти "свои" параметры, которые хорошо работают бесплатно.
• blur + означает сдвиг сегментации до водораздела. Размытие будет действовать точно так же, как ожидалось, а среднее смещение будет усредняться и соединять контуры схожих цветов и, таким образом, уменьшать количество контуров. В зависимости от параметров, meanshift также стоит дорого. Просто поиграйте с этим.

Более сложным является последующий анализ контуров. Вы можете объединить некоторых соседей на основании:

• схожесть гистограммы на некоторых каналах hsv;
• свойства контуров, например округлость. Если округлость двух объединенных соседей лучше округлости любого из них, то их можно объединить. Что-то вроде этого.

Расчет округлости:

float calcRoundness(std::vector<cv::Point> &contour, double area)
{
        float p = cv::arcLength(contour, true);
        if (p == 0)
                return 0;
        float k = (4 * M_PI * area) / pow(p, 2);

        /* 1 is circle, 0.75 - squared area, etc. */
        return k;
}