基于OpenCV的花卉图像分割Pipeline优化：精准二值图获取求助

我需要开发基于OpenCV Python的花卉图像分割Pipeline，用于从植物图像中分割花卉。目前存在两个核心问题：一是无法得到精准的二值分割结果；二是数据集包含多种花色的图像，仅针对特定花色的分割方案无法适配所有样本。现有Pipeline代码如下：

def process_image(image_path):
    # Read the image
    image = cv2.imread(image_path)

    # Apply bilateral filter for noise reduction
    noise_reduced_image = cv2.bilateralFilter(image, d=9, sigmaColor=75, sigmaSpace=75)

    # Convert to grayscale
    grayscale_image = cv2.cvtColor(noise_reduced_image, cv2.COLOR_BGR2GRAY)

    # Apply Gaussian blur to reduce noise
    blurred_image = cv2.GaussianBlur(grayscale_image, (5, 5), 0)

    # Threshold the image - this value may need adjustment for your images
    ret, thresholded_image = cv2.threshold(blurred_image, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

    # Find contours from the binary image
    contours, hierarchy = cv2.findContours(thresholded_image, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

    # Create an empty image for contours which is the same size as the original image
    contour_image = np.zeros_like(thresholded_image)

    # Draw the contours on the contour image
    cv2.drawContours(contour_image, contours, -1, (255), thickness=cv2.FILLED)

    # Perform morphological operations to further clean up the image
    kernel = np.ones((5, 5), np.uint8)
    contour_image = cv2.morphologyEx(contour_image, cv2.MORPH_OPEN, kernel, iterations=7)  # Remove noise
    dilated_image = cv2.dilate(contour_image, kernel, iterations=1)  # Fill in the gaps

    final_image = cv2.bitwise_not(dilated_image)
    return final_image

样本图像展示 #

• 输入图像：
• 标注真值图：
• 当前输出效果：

优化方案 #

1. 换用颜色空间替代灰度阈值 #

灰度转换会丢失关键颜色信息，完全不适配多花色样本，建议优先尝试以下颜色空间：

• HSV空间：提取饱和度（S）通道，花卉的饱和度普遍高于绿色背景叶片；也可结合色调（H）通道设置区间阈值，覆盖不同花色的H值范围。
• Lab空间：利用a通道（红-绿差异）和b通道（黄-蓝差异）分离花卉与背景，尤其适合区分非绿色系花卉。

示例代码片段：

# HSV颜色空间处理示例
hsv_image = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
s_channel = hsv_image[:, :, 1]
# 对饱和度通道做阈值处理，结合OTSU自动计算阈值
ret, s_thresh = cv2.threshold(s_channel, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

2. 改进轮廓筛选逻辑 #

当前代码保留所有轮廓，会引入大量背景噪声，需根据轮廓的面积、形状、位置做过滤：

• 计算轮廓面积，过滤掉面积过小的噪声轮廓；
• 计算轮廓的外接矩形/椭圆，筛选符合花卉比例的轮廓；
• 结合图像区域特征（比如花卉通常位于图像中上部）过滤背景轮廓。

示例代码片段：

# 筛选有效轮廓
valid_contours = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    # 根据图像尺寸设定面积阈值，需自行调整
    if area > 5000:
        valid_contours.append(cnt)
# 仅绘制有效轮廓
cv2.drawContours(contour_image, valid_contours, -1, (255), thickness=cv2.FILLED)

3. 调整形态学操作参数 #

当前开运算迭代次数过多（7次），会过度侵蚀花卉区域，建议：

• 减小开运算迭代次数（1-3次），换用更小的内核（如3x3）；
• 调整操作顺序：先做闭运算填充花卉内部孔洞，再做开运算去除小噪声；
• 根据分割结果动态调整内核大小和迭代次数。

4. 结合前景提取算法或模型 #

对于复杂背景，可尝试OpenCV的GrabCut算法，通过交互式或自动初始化分割前景花卉：

# GrabCut分割示例
mask = np.zeros(image.shape[:2], np.uint8)
bgdModel = np.zeros((1,65), np.float64)
fgdModel = np.zeros((1,65), np.float64)
# 手动指定初始前景区域，也可根据轮廓自动生成
rect = (50,50,image.shape[1]-100,image.shape[0]-100)
cv2.grabCut(image, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_RECT)
mask2 = np.where((mask==2)|(mask==0),0,1).astype('uint8')
final_mask = mask2 * 255

若数据集有标注，直接训练轻量语义分割模型（如U-Net），比传统OpenCV方法更适配多花色场景。

5. 多特征融合 #

结合颜色、边缘、纹理特征提升鲁棒性：

• 用Canny边缘检测提取花卉边缘，与颜色阈值结果做与运算；
• 用LBP纹理特征区分花卉与叶片的纹理差异，融合到分割结果中。

内容的提问来源于stack exchange，提问作者user19766923