图像分割：如何表征检测区域的分散程度？

你完全可以通过计算空间分布相关的量化指标，区分目标区域的集中/分散程度，以下是几种实用的实现方式：

1. 质心坐标标准差 #

计算所有目标轮廓质心的x、y坐标标准差，数值越大代表目标在对应轴上的分布越分散。

实现代码： #

import cv2
import imutils
import numpy as np

# 你已有的轮廓提取代码
cnts = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)

centroids = []
for c in cnts:
    # 计算轮廓质心
    M = cv2.moments(c)
    if M["m00"] != 0:
        cX = int(M["m10"] / M["m00"])
        cY = int(M["m01"] / M["m00"])
        centroids.append((cX, cY))

if centroids:
    centroids = np.array(centroids)
    # 计算x、y坐标的标准差
    std_x = np.std(centroids[:, 0])
    std_y = np.std(centroids[:, 1])
    # 取二者均值作为综合分散度指标
    dispersion_std = (std_x + std_y) / 2
    print(f"质心标准差分散度: {dispersion_std}")
else:
    print("无目标轮廓")

2. 最小外接矩形占比 #

计算包裹所有目标轮廓的最小外接矩形面积，再除以所有目标区域的总面积。比值越小，说明目标分布越分散（分散目标需要更大的外接框包裹，占比偏低，可取倒数调整指标方向）。

实现代码： #

# 基于已有的cnts和areas列表
total_target_area = np.sum(areas)
if total_target_area == 0:
    print("无目标区域")
else:
    # 获取所有轮廓的边界点
    all_points = []
    for c in cnts:
        all_points.extend(c.reshape(-1, 2))
    all_points = np.array(all_points)
    # 计算最小外接矩形
    rect = cv2.minAreaRect(all_points)
    rect_area = rect[1][0] * rect[1][1]
    # 计算占比并调整指标方向
    dispersion_rect_ratio = rect_area / total_target_area
    print(f"外接矩形占比分度: {dispersion_rect_ratio}")

3. 平均最近邻距离 #

计算每个轮廓质心到其他所有质心的最近距离，取平均值。数值越大，代表目标之间的间隔越大，分布越分散。

实现代码： #

if len(centroids) < 2:
    print("轮廓数量不足，无法计算最近邻距离")
else:
    min_distances = []
    for i in range(len(centroids)):
        # 计算当前质心到其他所有质心的距离
        distances = np.sqrt(np.sum((centroids - centroids[i])**2, axis=1))
        # 排除自身距离（0），取最小距离
        min_dist = np.min(distances[distances != 0])
        min_distances.append(min_dist)
    avg_min_distance = np.mean(min_distances)
    print(f"平均最近邻距离分散度: {avg_min_distance}")

指标选择建议 #

• 若目标数量差异不大，质心标准差和平均最近邻距离的区分度较好；
• 若目标数量差异明显，外接矩形占比更稳定，不受轮廓数量影响；
• 可同时计算多个指标，综合判断分散程度。

内容的提问来源于stack exchange，提问作者TritZ