教案-《人工智能应用导论》5-4 图像形态学处理与轮廓检测

教案（2学时）本任务是项目五中从“像素级处理”迈向“目标级分析”的升华环节。经过预处理的二值图像仍可能存在噪声点、空洞或边缘毛刺，直接用于判断容易出错。形态学处理如同“图像的美容与修复手术”，能优化目标区域形状。随后，轮廓检测将离散的白色像素聚合成有意义的几何对象（轮廓），这是让计算机“看见”并“定位”目标的关键一步。最后，通过分析轮廓属性（如像素数量）做出最终识别决策。此环节旨在培养学生对图像进行高级语义分析和定量判断的能力。本任务核心在于优化二值图像并提取其中的目标对象信息。学生首先需学习形态学的基本操作（开运算、闭运算），并运用它们来去除预处理后二值图像中的小噪声点（开运算）和填补目标区域内部的小空洞（闭运算）。然后，使用cv2.findContours函数在优化后的图像中查找所有轮廓。接着，利用cv2.drawContours函数将找到的轮廓绘制回原始彩色图像上，实现可视化。最后，通过计算轮廓所包含的像素总数，与一个经验阈值进行比较，从而判定当前帧中是否存在有效的目标颜色。任务成果是一个能够输出带有目标轮廓标记的图像，并在终端给出明确识别结论的程序。素质目标开运算（去除小白点噪声）与闭运算（填充小黑点空洞）的效果理解与代码实现顺序。cv2.findContours()函数的使用，特别是其返回值（轮廓列表contours，层级结构hierarchy）的含义。轮廓绘制与基于轮廓像素面积（总像素数）的简单决策逻辑实现。形态学内核（kernel）大小和形状对处理效果的直接影响，以及如何根据目标大小选择合适的内核。区分轮廓检索模式（如cv2.RETR_LIST）和轮廓近似方法（如cv2.CHAIN_APPROX_NONE）的不同用途。决策阈值（如总像素数>400）的合理设定依据，以及理解该阈值与摄像头分辨率、目标距离的关系。本节课采用“问题-修复-发现-判定”的线索式教学设计。首先，展示上节课预处理后仍不完美的二值图（有噪点、有空洞），创设“如何修复”的问题情境。接着，引入形态学作为“修复工具”，演示其效果。然后，提出“如何从修复好的图像中找到目标？”引出轮廓检测这一“发现工具”。最后，通过“如何确认找到的是我们要的目标？”引出基于轮廓属性的“判定规则”。整个教学环环相扣，始终围绕最终识别目标展开，让学生明确每个技术环节的实用价值。2.3教学资源与环境1.超星学习通平台、智慧职教观察上节课自己生成的“gray.jpg”，找出图像中可能存在的细小白色噪声点或目标区域内的黑色空洞。预习“形态学”和“轮廓”在图像处理中的基本概念。1.【任务推送】发布预习任务：审视自己的二值图，并用文字描述其存在的问题。2.【概念引导】推送关于形态学基本操作的简要图文说明。1.【审视成果】仔细分析自己上节课的“gray.jpg”，记录问题。2.【概念预习】了解形态学操作大致是做什么的。例会（5分钟）考勤。投屏展示几个有代表性的、存在问题的学生二值图。1.【课堂考勤】点到，做好考勤记录。2.【展示问题】展示几张图，并评论：“大家看，经过预处理，目标已经很明显了，但这些小瑕疵会不会影响计算机做出正确判断呢？”1.【课堂签到】2.【聚焦问题】观察投屏图像，认同存在进一步优化的空间。快速聚焦本节课要解决的核心问题：优化二值图并提取目标。三：决策与输出（15分钟）综合演示与讨论（10分钟）教学目标达成情况：学生是否掌握了使用形态学操作优化二值图像的方法？学生是否能够正确使用`findContours`和`drawContours`函数来定位和可视化目标？学生是否理解了基于轮廓像素面积进行决策的基本原理，并能根据实际情况调整阈值？教学方法有效性：“问题-工具-规则”的教学线索是否清晰，是否有助于学生构建知识体系？动画演示对理解形态学原理的帮助有多大？集体“故障分析会”的形式是否有效调动了学生的思维积极性？学生参与度与学习效果：学生在参数调整（内核大小、决策阈值）环节是否表现出主动探究的精神？最终的程序演示环节，学生的成功率高吗？识别效果如何？思政元素融入效果：通过“修复图像”和“抽象轮廓”的讲解，学生是否对“精益求精”和“把握本质”有了更深的体会？存在问题与改