OpenCV+Qt细胞计数工具：连通域统计与分水岭拆粘连

简介：面向生物医学图像分析与计算机视觉入门者的OpenCV细胞计数项目源码包，围绕细胞图像自动识别与数量统计展开，适合希望将图像处理算法与Qt图形界面结合实践的学习者。压缩包共41个文件、约7.6MB，包含C++源码与头文件、Qt界面文件、qmake工程配置、动态链接库、可执行程序以及多张效果图，覆盖从工程编译到结果展示的主要环节。已有1723人学习，说明该案例在课程设计、算法练习和小型检测工具实际项目开发中具备较好的参考价值。内容以二值化、膨胀腐蚀、轮廓检测和连通域分析为主线，配合Qt完成图像加载、显示与计数交互，读者可据此梳理细胞计数流程，理解阈值与形态学参数对计数结果的影响，并参考完整工程结构进行二次开发、调试或功能扩展。

1. 培养皿摆上桌，计数环节的三个真问题就藏不住了

培养皿摆上桌，第一次做细胞计数的同学大多经历过同一件事：对着显微照片用记号笔在纸上点，点到两百个开始怀疑人生，隔天再点一遍，两个数能差出十几个。OpenCV 细胞计数这个题目，网上能跑的 demo 很多，能交出去的少，差别不在算法多花哨，而在三件事：数得准不准、换一张图还准不准、参数由谁来调。这套基于 OpenCV 连通域统计加 Qt 桌面的方案，就是把这三点做成一个能演示、能复现、能交接的小工具：图像进来，前景掩膜出来，连通域标完，面积过滤一遍，粘连的用分水岭拆开，结果叠回原图并导出表格。它适合要交毕设或课设的学生，也适合需要给实验室做内部计数小工具的从业者。

2. 总体架构设计：三层结构与四个模块的职责划分

先把结构定下来，再写算法，这是我在几个类似项目里换来的顺序。反过来做的结果通常是：算法原型在 notebook 里跑得挺漂亮，搬到界面上之后，改一个阈值要重新编译，调参靠改代码里的数字，最后没人敢动。分层不是为了好看，是为了让「调参」这件事从程序员手里转移到使用者手里。

2.1 分层边界：界面层不碰像素，算法层不碰控件

整套东西划成三层。界面层负责文件选择、参数面板、结果列表和图像显示，只认识 Qt 的控件和自定义结构体；算法层是一组纯函数，输入cv::Mat加参数结构体，输出结果结构体加若干张中间图，不引用任何 Qt 头文件；中间靠一层调度连接，负责把任务丢到线程池、把结果用信号发回主线程。

这条边界守住了有两个直接好处。第一，算法层可以脱离界面单独跑批处理脚本，验收时拿一批图跑一遍就能出报告，不用手点。第二，界面改版、换控件、加个暗色主题，都不会碰坏计数逻辑。我一般会在工程里把算法目录编成一个静态库，界面工程只链接它，物理上断绝反向依赖——人都是懒的，只要允许#include到界面头文件，早晚会有人图省事直接在算法里弹一个QMessageBox。

参数结构体是整个系统里唯一被两层共享的东西，它的字段设计决定了参数面板长什么样，也决定了配置文件长什么样。下面这份是我常用的字段集合：

// 计数参数：界面改动只影响这个结构体，算法层不感知任何控件 struct CountParams { double blurSigma = 1.5; // 高斯滤波 sigma，只压噪声，别指望它去粘连 int blockSize = 31; // 自适应阈值窗口，必须为奇数，约等于细胞直径的 2~3 倍 double cOffset = -8.0; // 阈值偏移，负值让前景更"胖"，正值更"瘦" bool invertFore = true; // 明场细胞比背景暗，取反后前景为白 int openKernel = 3; // 开运算核，去毛刺与孤立噪点 int closeKernel = 3; // 闭运算核，补细胞内小孔 int minArea = 40; // 面积下限，滤掉碎片与灰尘 int maxArea = 20000; // 面积上限，超过视为成团区域，交给分水岭 bool useWatershed = true; // 粘连分离总开关 double splitRatio = 0.42; // 距离变换峰值系数，越小拆得越狠 double pixelPerMm = 0.0; // 标定比例，0 表示未标定，只输出个数 };

字段里没有一个是「神秘数字」。blockSize和细胞直径挂钩，minArea和噪声颗粒大小挂钩，splitRatio和粘连程度挂钩，每个都能在界面上用一句提示文字解释清楚。答辩时被问「这个 0.42 怎么来的」，能答出「距离变换最大值乘以它作为种子阈值，调低会多拆、调高会漏拆」，比答「试出来的」体面得多。

2.2 四个模块与两条数据通道

模块按职责切四块。预处理模块负责灰度化、滤波、阈值、形态学，产出一张二值前景图；统计模块负责连通域标记、面积过滤、质心与等效直径计算；分离模块负责距离变换和分水岭，只在勾选了粘连分离时介入；渲染与导出模块负责伪彩上色、结果叠图、CSV 输出。

数据通道有两条，这点容易被忽略。主通道是「原图 → 前景 → 标记图 → 结果结构体」，只走数值。副通道是「中间图缓存」，预处理结果、距离变换热力图、分水岭种子图这些都要保留一份，供界面切换查看。很多同学的实现里中间图算完就扔，出了问题只能靠打印面积值猜是哪一步坏了，排查效率极低。我会固定留三层：bgr（原图）、mask（二值前景）、labels（标记图），界面上做三个页签随时切换，这个习惯救过我很多次。

结果结构体则尽量扁平，让导出和界面表格都好写：

struct CellItem { int label; // 连通域标号，用于回溯标记图 cv::Rect box; // 外接矩形，画框与裁剪都用它 cv::Point2d center; // 质心，亚像素精度 double area; // 像素面积 double eqDiameter; // 等效圆直径 = 2*sqrt(area/pi) bool fromSplit; // 是否由分水岭拆分产生，便于统计"拆出来多少个" }; struct CountResult { int total = 0; // 最终计数 int rawComponents = 0; // 过滤前的连通域个数 int filteredOut = 0; // 被面积条件剔除的个数 int splitProduced = 0; // 分水岭额外拆出的个数 std::vector<CellItem> items; double elapsedMs = 0.0; // 算法耗时，验收要用 };

rawComponents、filteredOut、splitProduced这三个计数字段看着冗余，作用是把「数出来 187 个」变成可解释的账：过滤前 214 个，面积条件剔掉 29 个，分水岭多拆出 2 个，最终 187。演示时被问「为什么这张图比人工数得多」，直接翻这三个数就能定位是噪点没滤干净还是拆过头了。

2.3 一次点击的完整时序

点「开始计数」之后发生的事，固定成一条链：界面收集参数 → 校验参数（blockSize转奇数、minArea < maxArea）→ 提交到线程池 → 工作线程读图、调算法、拿结果 → 通过信号把结果和中间图发回主线程 → 主线程更新表格、刷新显示、写日志。整条链里主线程不碰像素。

// 界面层只做三件事：收参数、派任务、渲染结果 void MainWindow::onRunClicked() { CountParams p = ui->paramPanel->toParams(); const QString path = m_currentPath; if (path.isEmpty()) { log("先选一张图"); return; } ui->btnRun->setEnabled(false); // 防连点，跑完再放开 const auto t0 = std::chrono::steady_clock::now(); // 耗时任务进线程池，主线程不参与任何像素运算 QtConcurrent::run(&m_pool, [this, p, path, t0]() { cv::Mat bgr = cv::imread(path.toLocal8Bit().toStdString(), cv::IMREAD_COLOR); if (bgr.empty()) { emit countFailed(QStringLiteral("读图失败")); return; } cv::Mat mask, labels; cv::Mat fore = Counter::buildForeground(bgr, p, mask); // 预处理 CountResult r = Counter::count(fore, p, labels); // 统计 + 分离 r.elapsedMs = std::chrono::duration<double, std::milli>( std::chrono::steady_clock::now() - t0).count(); emit countFinished(r, bgr, mask, labels); // 中间图一并回传 }); }

几个细节值得说。QtConcurrent::run的返回值被忽略是正常的，真正的结果走信号；跨线程信号默认是队列连接，Qt 会自动把参数排队投递到主线程的事件循环，所以槽函数里可以放心操作控件。countFinished的四个参数按值传递，cv::Mat的拷贝是引用计数浅拷贝，代价很低，但要保证算法层之后不再改写这几张图，否则会踩到共享缓冲区的坑，这一点我后面会展开。ui->btnRun->setEnabled(false)这一行是血泪经验，连续点三次会往线程池里塞三个任务，界面上却只显示最后一个结果，排查起来像玄学。

3. 预处理与二值化：把明场照片变成可分离的前景掩膜

计数准不准，八成看二值化。这一步的目标很朴素：细胞是白的，背景是黑的，中间没有灰色地带。实际情况是照明中间亮四角暗、细胞边缘有晕圈、培养皿底部有划痕、还有一堆比细胞小一个数量级的杂质。下面这套顺序是在明场细胞图上磨出来的，换成荧光图或颗粒图，把取反开关一关，思路照样能用。

3.1 灰度化与滤波：核大小为什么不能跟着感觉走

灰度化用COLOR_BGR2GRAY，权重按人眼亮度感知分配，绿色通道占比最高。对细胞这类常被染成紫蓝色的目标，这套权重不算最优，但够用，而且可解释。真遇到对比度极差的图，我会在灰度化之前先做一次通道选择，把对比度最高的单通道抽出来当灰度图，比在 RGB 上瞎调阈值有效得多。

滤波只做一件事：压住传感器噪声和 JPEG 压缩块。GaussianBlur的核大小取 5×5、sigma 取 1.5 左右，是这类图像的经验区间。核再大就会开始吃掉细胞边缘，尤其是直径只有十几个像素的小细胞，模糊之后面积缩水，面积过滤的阈值就得跟着改，一改就连锁反应。这里有个判断标准：滤波后的图像放大看，细胞轮廓还清楚，背景的颗粒感消失了，就对了；如果细胞看起来像隔了层毛玻璃，就是过头了。

顺带说一个反直觉的点。不少人想靠大核中值滤波一步到位把粘连打开，想法可以理解，效果通常很糟：中值滤波会把两个细胞之间的窄桥抹掉，但同时把细胞本身也啃掉一圈，面积统计全乱。粘连要靠后面的分水岭处理，不在滤波阶段解决，这个分工要提前想明白。

3.2 阈值分割：全局 Otsu 与自适应阈值的分工

阈值这块最容易翻车。全局 Otsu 在照明均匀、背景干净的图上表现极稳，一行代码搞定，而且阈值是自动算的，答辩时也好解释。但培养皿照片十有八九照明不均，正中间一片细胞被正确分割，四个角整片变成背景或者整片变成前景，一眼就能看出来。这时候换自适应阈值。

cv::Mat buildForeground(const cv::Mat& bgr, const CountParams& p, cv::Mat& maskOut) { cv::Mat gray; if (bgr.channels() == 3) cv::cvtColor(bgr, gray, cv::COLOR_BGR2GRAY); else gray = bgr.clone(); // 1) 轻滤波：只为压噪声，核不超过 5x5，否则细胞边缘会被吃掉 cv::GaussianBlur(gray, gray, cv::Size(5, 5), p.blurSigma); // 2) 阈值：blockSize 取细胞直径的 2~3 倍并强制为奇数 int bs = p.blockSize | 1; // 位或保证奇数 cv::Mat bin; cv::adaptiveThreshold(gray, bin, 255, cv::ADAPTIVE_THRESH_GAUSSIAN_C, p.invertFore ? cv::THRESH_BINARY_INV : cv::THRESH_BINARY, bs, p.cOffset); // 3) 形态学修边：先开后闭，核取 3x3 起步 cv::Mat kOpen = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(p.openKernel, p.openKernel)); cv::Mat kClose = cv::getStructuringElement(cv::MORPH_ELLIPSE, cv::Size(p.closeKernel, p.closeKernel)); cv::morphologyEx(bin, bin, cv::MORPH_OPEN, kOpen, cv::Point(-1, -1), 1); cv::morphologyEx(bin, bin, cv::MORPH_CLOSE, kClose, cv::Point(-1, -1), 1); maskOut = bin.clone(); // 单独留一份前景图给界面切换 return bin; }

THRESH_BINARY_INV的选择依据是成像方式：明场透射光下细胞吸收光线，比背景暗，取反之后细胞变成 255 的前景，后面所有统计都按「前景为白」来写。荧光图恰好相反，亮的是目标，所以留了invertFore开关，不要写死。

blockSize是这段里最容易设错的参数。它决定局部阈值窗口多大，窗口小于细胞直径时，细胞内部会被判成背景，结果是一个细胞被掏成甜甜圈，面积统计直接崩掉；窗口远大于细胞直径时，自适应退化成近似全局阈值，照明不均又治不了。稳妥的取法是细胞直径的 2 到 3 倍，窗口内至少要完整装下一颗细胞。cOffset是常数偏移，负值让更多像素被判成前景（前景变胖），正值让前景变瘦，通常从 -10 到 +10 之间调，配合面积统计看总数变化。

3.3 形态学修边与背景填充

开运算先做，作用是去掉毛刺和孤立噪点。细胞边缘常有一圈不规则的突起，或者图像里散着几个 3 到 5 像素的灰尘点，开放运算用一个比它们大的结构元腐蚀再膨胀，小东西直接消失，细胞主体基本不变。结构元用椭圆比方形贴合细胞轮廓，尺寸从 3×3 起步，放大到 5×5 就要回来检查一遍细胞有没有被削边。

闭运算随后做，补上细胞内部的小孔。染色不均、细胞核透亮、压缩噪声都会在前景上留下若干黑点，不补的话一个细胞可能被标记成两三个连通域，计数虚高。核同样从 3×3 起，开闭顺序不能反：反了之后先闭会把噪点和细胞连成一片，再开也拆不开。

这两步之后，我会在界面上直接把前景图铺出来给使用者看，并且允许手动在图上框选一块「确认这里是背景」的区域，程序实时统计该区域的前景像素占比。这个占比超过 2% 就提示「背景不干净，建议复查阈值」——一个很小的交互，能把「为什么数出来这么多」的追问挡在演示之前。半自动工具的说服力，很多时候就来自这种边界自检。

4. 连通域统计与粘连分离：从标记图到一颗颗细胞的坐标

前景图做成什么样，后面就只能拿到什么样的结果，所以这一章其实是「在前景已经确定的前提下，怎么把标记结果翻译成可信的计数」。核心 API 只有一个，剩下的都是围绕它的过滤与补救。

4.1 connectedComponentsWithStats 的五个统计量怎么读

connectedComponentsWithStats一次性给出三样东西：标记图、统计矩阵、质心矩阵。统计矩阵每行对应一个连通域，五列分别是最小外接矩形的 x、y、宽、高和像素面积；第 0 行永远是背景，所以遍历从 1 开始。相比findContours加contourArea，这条路省掉了一堆轮廓层级判断，速度快、代码短，还能直接拿到质心。

cv::Mat labels, stats, centroids; // 8 邻接：细胞是不规则团块，4 邻接会把斜对角相连的部分判成两个 int n = cv::connectedComponentsWithStats(mask, labels, stats, centroids, 8, CV_32S); CountResult res; res.rawComponents = n - 1; for (int i = 1; i < n; ++i) { const int area = stats.at<int>(i, cv::CC_STAT_AREA); if (area < p.minArea || area > p.maxArea) { ++res.filteredOut; continue; } CellItem it; it.label = i; it.area = area; it.box = cv::Rect(stats.at<int>(i, cv::CC_STAT_LEFT), stats.at<int>(i, cv::CC_STAT_TOP), stats.at<int>(i, cv::CC_STAT_WIDTH), stats.at<int>(i, cv::CC_STAT_HEIGHT)); it.center = { centroids.at<double>(i, 0), centroids.at<double>(i, 1) }; it.eqDiameter = 2.0 * std::sqrt(area / CV_PI); // 等效圆直径 it.fromSplit = false; res.items.push_back(it); } res.total = static_cast<int>(res.items.size());

邻接方式选 8 邻接，原因是细胞轮廓不规则，4 邻接会把细长连接处判成断开，一个细胞变两个，这类错误在镜检图上出现频率不低，而且肉眼很难从结果里看出来。质心矩阵是 double 类型，按亚像素精度给出，画标记点、算最近邻距离都能直接用，不用自己累加坐标求平均。

有一点要留意：cv::Mat的at访问不做边界检查，stats的行数必须严格用n控制。另外，标记图labels的类型是CV_32S不是CV_8U，连通域超过 255 个时用 8 位会溢出——一张高倍视野的细胞图轻松过千，这个坑我踩过一次，画面上的颜色开始循环，计数却少了一大截。

4.2 面积与等效直径的双重过滤

面积上下限是计数结果的第一道闸门。下限滤掉碎片、灰尘、阈值残留的孤点，上限把「明显是好几颗粘在一起」的区域挑出来交给分离模块。阈值怎么定，不靠猜，靠直方图：把全图所有连通域的面积排序，取中位数当典型细胞面积，下限设成中位数的 0.35 倍，上限设成 2.5 倍，再手动微调。

等效直径是面积的一个变换，d = 2√(area/π)，好处是量纲直观，能直接和显微镜标尺对上。比如标定下来 1 毫米对应 400 像素，典型细胞直径 12 微米，那等效直径应该落在 4 到 5 像素附近，凡是对不上的直接可疑。我在参数面板上会同时显示「面积区间」和「等效直径区间」，让使用者用自己熟悉的单位思考，而不是对着像素数发愣。

上限的设定要克制。设得太低，本来是一颗大细胞的（比如分裂期体积偏大）也被送进分离流程，平白多拆出一个。稳妥的做法是上限取中位数的 2.5 到 3 倍，超过这个数才认为确实粘连；同时把被上限拦下的区域在图上用醒目的框标出来，让使用者亲眼确认这些确实是团块。

4.3 距离变换加分水岭拆粘连

粘连是细胞计数绕不开的坎。两个细胞挨在一起，二值图上连成一块，连通域只会给出一个计数，人工数却是两个。处理办法是距离变换：对前景里每个像素，算它到最近背景像素的距离，细胞中心距离最大，边缘趋近于零。两个细胞粘连处的距离值会形成一个明显的凹陷，把凹陷以上的区域当成种子，就有机会把团块拆开。

// 仅对面积超限的团块做分离，逐块处理更可控 cv::Mat blobMask = (labels == it.label); // 取当前团块的二值掩膜 cv::Mat dist; cv::distanceTransform(blobMask, dist, cv::DIST_L2, 5); double maxVal = 0; cv::minMaxLoc(dist, nullptr, &maxVal); if (maxVal < 2.0) return; // 太薄，拆了也没意义 cv::Mat seeds = dist > (maxVal * p.splitRatio); // 峰值系数控制拆分力度 seeds.convertTo(seeds, CV_8U, 255); // 转成 0/255 的掩膜 cv::Mat seedLabels; int seedCount = cv::connectedComponents(seeds, seedLabels, 8, CV_32S) - 1; if (seedCount <= 1) return; // 只有一个峰，不拆 // 分水岭：以种子为标记，在原团块上划界 cv::Mat markers = seedLabels + 1; // 背景从 0 挪到 1，避开歧义 markers.convertTo(markers, CV_32S); cv::watershed(blobMask, markers); // 传入三通道图效果更好，这里用单通道

splitRatio是这套流程唯一需要手感参数。取 0.5 意味着只认可距离峰值一半以上的区域当种子，保守，拆得少；取 0.3 激进，粘连轻的也能拆开，但一颗形状不规则的单个细胞可能被拆成两半。我的默认值定在 0.42，配合界面上的滑块实时预览，使用者拖到「拆出来的个数和肉眼数对得上」就停手。

分水岭有个特性必须提前说明：它会把整幅图的所有像素都分配出去，包括背景。所以markers里背景标号要先占好位置，处理完再回到标记图里，只保留属于当前团块的标号。另外watershed的结果里，区域之间的边界线会被标成 -1，统计面积时要把这些像素排除，否则每个拆出来的细胞会少算一两行像素，面积普遍偏小。

拆完之后要做一次合理性检查：拆出来的每块面积不能低于原团块面积的 15%，否则说明拆碎了。检查不过就回退，保留原团块并标记为「疑似粘连，需人工复核」，比硬拆出五个碎片诚实得多。这一类复核项在结果表里单独列一列，答辩时反而加分。

4.4 上色、叠加与结果导出

渲染这一步看着是面子工程，实际影响演示效果。做法是给每个连通域分配一个颜色，把标记图按标号映射成伪彩，再和原图做加权叠加，透明度控制在 0.35 左右，既看清细胞形态，又能看到标记区域。调色板用固定种子生成，保证同一张图跑两次颜色一致，前后对比时才不会看花眼。

// 固定种子生成调色板：同图两次运行颜色一致，便于截图对比 cv::RNG rng(0x5EED); std::vector<cv::Vec3b> palette(1024); for (auto& c : palette) c = cv::Vec3b(rng.uniform(60, 255), rng.uniform(60, 255), rng.uniform(60, 255)); cv::Mat canvas = bgr.clone(); for (const auto& it : res.items) { // 半透明填充：按标号取色，255 处为前景 cv::Mat m = (labels == it.label); cv::Mat color(m.size(), CV_8UC3, palette[it.label % palette.size()]); cv::Mat blended; cv::addWeighted(canvas, 0.65, color, 0.35, 0.0, blended); blended.copyTo(canvas, m); // 只在掩膜内覆盖 // 质心十字与序号，字号随图像尺寸缩放 cv::drawMarker(canvas, it.center, cv::Scalar(0, 0, 255), cv::MARKER_CROSS, 8, 1); cv::putText(canvas, std::to_string(it.label), it.center + cv::Point2d(4, -4), cv::FONT_HERSHEY_SIMPLEX, 0.35, cv::Scalar(255, 255, 255), 1, cv::LINE_AA); }

导出部分我一般给两份：一份逐细胞的 CSV，字段是标号、质心 x/y、面积、等效直径、是否拆分得到、是否需复核；一份汇总，包含总数、过滤前个数、剔除数、拆分产出、算法耗时、参数快照。参数快照这一列很多人省掉，等到一个月后回看结果，没人记得当时用的什么阈值，等于失去了复现能力。CSV 用 UTF-8 加 BOM 写出，用表格软件打开中文不乱码，这个小细节在演示现场很加分。

5. 常见问题与排查：粘连、漂移、卡顿、花屏这四类翻车现场

下面五条都是我在实际调试里反复遇到的，按「现象 → 原因 → 解决」写清楚，遇到问题可以按顺序对号入座。

5.1 两个细胞被数成一个

现象很直白：图上肉眼能分出两个紧挨的细胞，结果里只有一个框，或者干脆一个大框把两个都圈住。原因是二值化之后两者的边缘连在一起，连通域把它们判成同一块，面积超过了下限但没超过上限，所以连「疑似粘连」都没被标出来。

解决办法是把上限调低一档，让更多团块进入分水岭流程，同时把splitRatio从 0.42 往 0.35 走一点试试。如果拆完还是合并，可以改用腐蚀加开运算先人为制造一道缝，再膨胀回去，代价是轮廓会变形，面积统计需要修正。判断拆得对不对，不看总数，看被拆的团块在图上画的种子点是不是正好落在两颗细胞的中心，这一点用中间图页签一看就明白。

5.2 换一张图参数就全崩

现象是：调好的参数在第一张图上堪称完美，换第二张图总数直接翻倍或者掉一半。原因通常是参数过拟合——所有阈值都是对着那一张图试出来的，块大小、面积区间、拆分系数全都卡在特定照明和特定密度的组合上。

解决办法有两步。第一步把参数全部外置成配置文件，界面上的改动实时写回，不同成像条件各存一套，命名带上物镜倍数和染色方式。第二步做批量回放：选一个文件夹，把里面所有图按同一套参数跑一遍，输出每张图的计数和耗时，哪张图跑飞了一眼就能看出来。我一般要求自己手里的参数至少在 5 张不同批次的图上都稳定，才敢说是默认值。

5.3 点一下按钮界面就白了

现象是点击计数后窗口短暂无响应，图越大白得越久，任务管理器里进程占满一个核。原因很明确：imread加整个算法链全跑在主线程，Qt 的事件循环被卡住，控件没法重绘。

解决办法是把整条链丢进线程池，任务结束用信号回主线程更新 UI，这一点在第 2 章已经给过代码。补充两个细节：第一，跑任务期间要禁用按钮并显示一个忙碌提示，让使用者知道程序还活着；第二，跨线程传递cv::Mat时，工作线程里不要再改这几张图，需要标注就在工作线程里画完再发出来，否则会和主线程的绘制抢同一块内存。

5.4 显示区颜色发花、拖窗口就变形

现象是图像显示出来颜色不对，红蓝互换，或者缩放、拖动窗口之后画面出现错位的斜条纹。原因有两个，一是QImage不接管cv::Mat的内存，Mat一出作用域，画面就变成随机数据；二是没指定每行的字节跨度，OpenCV 的Mat每行有对齐填充，Qt 默认按宽度乘通道数算，两者对不上就错行。

QImage matToQImage(const cv::Mat& mat) { if (mat.type() == CV_8UC3) { cv::Mat rgb; cv::cvtColor(mat, rgb, cv::COLOR_BGR2RGB); // OpenCV 是 BGR，Qt 要 RGB // copy() 深拷贝：QImage 不持有 Mat 内存，不拷贝就会出现花屏 return QImage(rgb.data, rgb.cols, rgb.rows, static_cast<int>(rgb.step), // 用 Mat 的步长，别自己算 QImage::Format_RGB888).copy(); } if (mat.type() == CV_8UC1) { return QImage(mat.data, mat.cols, mat.rows, static_cast<int>(mat.step), QImage::Format_Grayscale8).copy(); } return {}; }

step这个参数是关键，它表示一行实际占多少字节，包含填充；用cols * channels替代它，在宽度不是 4 的倍数的图上必然错位。四通道的CV_8UC4要换成Format_ARGB32并且注意 OpenCV 的通道顺序是 BGRA，需要先转一次。

5.5 同一张图连点两次结果对不上

这是最让人心里没底的一类问题。同一个文件、同一套参数，两次运行总数差一两个。原因往往藏在排序和随机数里：伪彩用时间做种子会导致每帧颜色不同，容易被误认为标记不同；连通域标号在个别平台上的顺序不保证稳定；浮点阈值正好卡在某个像素的灰度值上，微小差异引起翻转。

解决三件事：调色板固定种子，标号按质心坐标（先 y 后 x）重排一遍，阈值边界像素做一次形态学清理。做完之后同一张图连跑十次，结果必须完全一致。这个自检我写成了按钮，一键跑十遍，把十次的总数和 MD5 一起打出来，验收时直接展示。

6. 验收与答辩：三个可量化的指标和一段五分钟演示

验收不要用「看着挺准」这种描述。我会准备三个指标，每个都能现场跑出来：重复性，同一张图连跑 10 次，计数结果完全一致，中间图哈希一致；准确率，挑 3 张不同密度的图，人工用网格法逐格点数作为参照，误差控制在 5% 以内，稀疏图要求更严；效率，1920×1080 的图单帧处理在 300 毫秒以内，界面全程可交互。

演示脚本我一般固定成四步，五分钟走完。第一步放一张干净、稀疏的图，展示基础流程和参数含义，让评委建立直觉。第二步放一张粘连严重的图，先关掉分水岭看合并结果，再打开看拆分效果，这一正一反的对比最有说服力。第三步放一张照明不均的图，把全局 Otsu 和自适应阈值的效果并排展示，说明选型理由。第四步现场改参数，把面积下限调大，让总数实时变化，证明参数是真在起作用，不是写死的。

答辩提问里出现频率最高的是「你这套东西换一批图还能用吗」，标准答法是当场打开批量回放，选一个文件夹跑完，把每张图的计数、耗时和告警列出来，用数据回答。其次是「粘连怎么判断拆得对」，答法是展示种子图和拆分前后的面积分布，说明拆分后有面积下限校验，拆碎的会回退并标为待复核。

从那以后我每次交付这类计数工具，都会强制走一遍三个指标加一段四步演示，宁可少做一个功能，也要保证别人接手时能在十分钟内复现我的结果。这套工程的代码结构、默认参数表和验收脚本我整理在了一起，需要参考的可以按页面提供的方式取用，拿去改成自己课题的版本最省事。希望帮到你。

本文还有配套的精品资源，点击获取