如何精准检测灰度图像半圆形区域并优化存在瑕疵的掩码？

原始图像：

现有错误掩码：

1. 基于形状拟合的精准分割方案 #

因为目标是近似半圆形，直接拟合形状比单纯边缘检测+滤波更能规避瑕疵：

• 先做自适应阈值生成初始二值图，适配图像局部明暗差异：

  import cv2
  import numpy as np
  
  img = cv2.imread("7VKoL.jpg", 0)
  # 自适应阈值，可调整blockSize和C参数适配图像细节
  adaptive_thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV, 11, 2)
  

• 提取轮廓并拟合外接圆，根据半圆形朝向裁剪生成掩码：

  contours, _ = cv2.findContours(adaptive_thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  # 筛选面积最大的轮廓（假设目标为图像中最大的半圆形物体）
  max_contour = max(contours, key=cv2.contourArea)
  (x, y), radius = cv2.minEnclosingCircle(max_contour)
  center = (int(x), int(y))
  radius = int(radius)
  
  # 创建空白掩码
  mask = np.zeros_like(img)
  # 先绘制完整圆，再根据实际朝向裁剪（示例为保留上半圆）
  cv2.circle(mask, center, radius, 255, -1)
  mask[center[1]:, :] = 0
  

2. 现有错误掩码的后处理修复 #

如果要基于已有瑕疵掩码优化：

• 用形态学操作填补漏洞、去除噪点：

  erroneous_mask = cv2.imread("VpBIY.png", 0)
  # 椭圆形结构元素更适配半圆形轮廓
  kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
  # 闭运算填补内部小漏洞
  closed_mask = cv2.morphologyEx(erroneous_mask, cv2.MORPH_CLOSE, kernel)
  # 开运算清除孤立噪点
  cleaned_mask = cv2.morphologyEx(closed_mask, cv2.MORPH_OPEN, kernel)
  

• 轮廓拟合修正：提取掩码轮廓后重新绘制规则半圆形，覆盖瑕疵区域：

  contours, _ = cv2.findContours(cleaned_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
  if contours:
      max_contour = max(contours, key=cv2.contourArea)
      (x, y), radius = cv2.minEnclosingCircle(max_contour)
      center = (int(x), int(y))
      radius = int(radius)
      final_mask = np.zeros_like(erroneous_mask)
      # 根据实际朝向绘制半圆形（示例为保留右半圆）
      cv2.ellipse(final_mask, center, (radius, radius), 0, 90, 270, 255, -1)
  

3. 预处理环节优化 #

• 先做高斯模糊降低高频噪点，减少边缘检测误判：

  blurred_img = cv2.GaussianBlur(img, (5,5), 0)
  

• 调整Canny边缘检测的高低阈值比例（建议1:2或1:3），过滤冗余边缘：

  edges = cv2.Canny(blurred_img, 50, 150)
  

内容的提问来源于stack exchange，提问作者Eagle186f