灰度图像环形零件内外径区分填充的提速优化需求

1. 直接处理边缘坐标（最快方案） #

既然已经拿到了亚像素边缘点的坐标数组，完全不用碰图像填充，直接通过几何分析区分内外径：

• 基于中心距离聚类：环形的内外径边缘点，到图像中心的距离会形成两个明显的数值簇：

  1. 计算每个边缘点到图像中心（(图像宽/2, 图像高/2)）的欧氏距离；
  2. 用阈值分割（比如Otsu自动阈值）把距离大的归为外径边缘，小的归为内径边缘。
     代码示例：

  import numpy as np
  from skimage.filters import threshold_otsu
  
  # edges是subpixel-edges输出的Nx2坐标数组（x,y）
  center = np.array([image.shape[1]/2, image.shape[0]/2])
  distances = np.linalg.norm(edges - center, axis=1)
  # 自动计算距离阈值
  thresh = threshold_otsu(distances)
  outer_edges = edges[distances > thresh]
  inner_edges = edges[distances <= thresh]
  

  纯数值计算，毫秒级就能完成，完全不受图像尺寸影响。

• DBSCAN密度聚类：如果环形有轻微偏心，用密度聚类区分两个边缘簇：

  from sklearn.cluster import DBSCAN
  
  # 调整eps和min_samples适配你的亚像素点密度
  clustering = DBSCAN(eps=2, min_samples=10).fit(edges)
  labels = clustering.labels_
  # 通过距离中心的均值判断哪个簇是外径
  outer_label = 0 if np.mean(distances[labels==0]) > np.mean(distances[labels==1]) else 1
  outer_edges = edges[labels==outer_label]
  inner_edges = edges[labels==1-outer_label]
  

2. 优化图像填充速度（保留掩码需求） #

如果必须生成内外径掩码，换用OpenCV的底层实现替代skimage的形态学重建：
OpenCV的cv2.floodFill是C++优化的，速度比skimage快一个数量级，大图像也能压在0.5秒内：

import cv2
import numpy as np

# 假设输入是二值边缘图
img = cv2.imread('ring_image.png', 0)
h, w = img.shape

# 生成外径掩码：从图像角落填充，非填充区域就是外径范围
mask_outer = np.zeros((h+2, w+2), np.uint8)
cv2.floodFill(img.copy(), mask_outer, (0,0), 255)
outer_mask = cv2.bitwise_not(mask_outer[1:-1,1:-1])

# 生成内径掩码：从图像中心填充，填充区域就是内径范围
mask_inner = np.zeros((h+2, w+2), np.uint8)
cv2.floodFill(img.copy(), mask_inner, (w//2, h//2), 255)
inner_mask = mask_inner[1:-1,1:-1]

3. 直接检测同心圆（一步到位测径） #

如果是规则环形，直接用亚像素霍夫变换检测两个同心圆，直接得到内外径：

from skimage.transform import hough_circle, hough_circle_peaks

# edges是二值边缘图（若已有亚像素点，可先转成二值图）
# 替换成你的环形半径大致范围
hough_radii = np.arange(50, 150, 1)
hough_res = hough_circle(edges, hough_radii)

# 提取最明显的两个圆（对应内外径）
accums, cx, cy, radii = hough_circle_peaks(hough_res, hough_radii, total_num_peaks=2)
outer_radius = max(radii)
inner_radius = min(radii)

内容的提问来源于stack exchange，提问作者mehmet_kacmaz_03