批量处理带不良白背景图片：裁剪物体并保留摄影比例尺

针对你的问题，我们可以结合工具的优势，先保留物体内部白色区域，再把被rembg误删的比例尺补回去，最后完成精准裁剪和纯白背景替换。以下是可落地的Python实现步骤：

一、依赖安装 #

先装好需要的库：

pip install rembg pillow opencv-python numpy

二、核心实现步骤 #

1. 定位比例尺位置 #

假设你的比例尺是图片底部的深色（比如黑色）长条，用OpenCV检测其位置：

import cv2
import numpy as np
from PIL import Image

def find_scale_bar_position(image_path):
    img = cv2.imread(image_path)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    # 二值化突出深色比例尺（可根据你的比例尺颜色调整阈值）
    _, thresh = cv2.threshold(gray, 50, 255, cv2.THRESH_BINARY_INV)
    # 查找轮廓
    contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 筛选底部的长条轮廓（假设比例尺是最下方的大矩形）
    scale_contour = None
    max_y = 0
    for cnt in contours:
        x, y, w, h = cv2.boundingRect(cnt)
        # 过滤小轮廓，判断是否位于图片底部区域
        if h > 10 and w > img.shape[1] * 0.5 and y > img.shape[0] * 0.8:
            if y > max_y:
                scale_contour = (x, y, w, h)
    return scale_contour

2. 处理单张图像并合并比例尺 #

from rembg import remove

def process_image(input_path, output_path):
    # 读取原图并转为RGBA格式
    original_img = Image.open(input_path).convert("RGBA")
    
    # 定位比例尺位置
    scale_pos = find_scale_bar_position(input_path)
    if not scale_pos:
        print(f"未检测到比例尺，跳过处理：{input_path}")
        return
    
    x, y, w, h = scale_pos
    # 从原图裁剪比例尺区域，去除其不良白色背景
    scale_img = original_img.crop((x, y, x+w, y+h))
    scale_np = np.array(scale_img)
    gray_scale = cv2.cvtColor(scale_np, cv2.COLOR_RGBA2GRAY)
    _, alpha = cv2.threshold(gray_scale, 240, 255, cv2.THRESH_BINARY_INV)
    scale_np[:, :, 3] = alpha
    scale_img_processed = Image.fromarray(scale_np)
    
    # 用rembg处理原图（保留物体内部白色区域）
    rembg_result = remove(original_img)
    
    # 将处理好的比例尺贴回rembg结果的对应位置
    rembg_result.paste(scale_img_processed, (x, y), scale_img_processed)
    
    # 精准裁剪（贴近物体轮廓，而非简单边界框）
    alpha_channel = rembg_result.getchannel('A')
    contours, _ = cv2.findContours(np.array(alpha_channel), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    # 收集所有轮廓点并生成凸包
    all_points = []
    for cnt in contours:
        all_points.extend(cnt.reshape(-1, 2))
    if not all_points:
        print(f"未识别到有效物体轮廓：{input_path}")
        return
    hull = cv2.convexHull(np.array(all_points))
    x_min, y_min = np.min(hull, axis=0)[0]
    x_max, y_max = np.max(hull, axis=0)[0]
    cropped_img = rembg_result.crop((x_min, y_min, x_max, y_max))
    
    # 将透明背景替换为纯白
    white_bg = Image.new("RGBA", cropped_img.size, (255, 255, 255, 255))
    white_bg.paste(cropped_img, (0, 0), cropped_img)
    # 保存为高质量RGB格式
    white_bg.convert("RGB").save(output_path, quality=95)

3. 批量处理1000张图 #

import os

input_dir = "你的输入图片文件夹路径"
output_dir = "你的输出图片文件夹路径"
os.makedirs(output_dir, exist_ok=True)

for filename in os.listdir(input_dir):
    if filename.endswith(('.png', '.jpg', '.jpeg')):
        input_path = os.path.join(input_dir, filename)
        output_path = os.path.join(output_dir, filename.replace('.', '_processed.'))
        process_image(input_path, output_path)
        print(f"处理完成：{filename}")

三、备选方案：用SAM模型实现更精准分割 #

如果你的比例尺样式多样，或需要更精确的分割效果，可以用Meta的Segment Anything Model（SAM），它能精准识别物体和比例尺区域：

1. 安装依赖：

pip install segment-anything torch torchvision

2. 下载SAM预训练模型（如sam_vit_b_01ec64.pth）到项目目录；
3. 通过SAM交互或自动分割选中物体和比例尺，合并后替换背景为纯白。该方案适配复杂场景，但需要GPU加速（CPU也可运行但速度较慢）。

注意事项 #

• 可根据实际比例尺的颜色、位置调整检测阈值和过滤条件；
• 批量处理前先拿3-5张图测试参数，确保效果符合预期；
• 若rembg对特定物体分割效果不佳，可尝试更换rembg的模型权重。

内容的提问来源于stack exchange，提问作者lekythos