如何用Python准确计算相似卡牌图片特征并修正现有代码

我在目录/passes下有100张同一卡牌的相似图片，每张图片存在以下差异：

• 部分卡牌带有绿色或红色泼溅痕迹，泼溅量各不相同
• 部分卡牌存在破损，仅保留原卡牌的部分区域

需要实现：

1. 计算每张卡牌的绿色泼溅占比、红色泼溅占比以及破损区域占比
2. 将这三项特征存储至DataFrame中

现有代码存在两个核心问题：

• 破损严重的卡牌被误判为带有泼溅色
• 卡牌本身的红棕底色干扰了红色泼溅的计算

import os
import pandas as pd
from PIL import Image
import numpy as np

def crop_card(image_path):
    image = Image.open(image_path).convert("RGB")
    width, height = image.size
    card_width = int(width * 0.8)
    card_height = int(height * 0.8)
    card_left = int((width - card_width) / 2)
    card_top = int((height - card_height) / 2)
    card_right = card_left + card_width
    card_bottom = card_top + card_height
    card_image = image.crop((card_left, card_top, card_right, card_bottom))
    return card_image, card_image.size[0], card_image.size[1]

def calculate_damage_percentage(card_image):
    # 转换为灰度图，通过过暗/过亮区域识别破损
    gray = np.array(card_image.convert("L"))
    dark_pixels = np.sum(gray < 50)
    bright_pixels = np.sum(gray > 200)
    total_pixels = gray.size
    damage_percent = ((dark_pixels + bright_pixels) / total_pixels) * 100
    return damage_percent

def color_splatter_percentage(card_image, color_mask_func):
    img_array = np.array(card_image)
    total_pixels = img_array.shape[0] * img_array.shape[1]
    
    # 生成颜色掩码与破损掩码
    color_mask = color_mask_func(img_array)
    gray = np.array(card_image.convert("L"))
    damage_mask = (gray < 50) | (gray > 200)
    
    # 仅统计非破损区域内的泼溅像素
    valid_mask = color_mask & ~damage_mask
    splatter_count = np.sum(valid_mask)
    
    # 基于有效卡牌区域计算占比（排除破损）
    valid_card_pixels = total_pixels - np.sum(damage_mask)
    return (splatter_count / valid_card_pixels) * 100 if valid_card_pixels > 0 else 0.0

def green_splatter_mask(img_array):
    r, g, b = img_array[:, :, 0], img_array[:, :, 1], img_array[:, :, 2]
    # 绿色泼溅判定：G远大于R/B，且亮度足够
    return (g > r + 50) & (g > b + 50) & (g > 100)

def red_splatter_mask(img_array):
    r, g, b = img_array[:, :, 0], img_array[:, :, 1], img_array[:, :, 2]
    # 红色泼溅判定：R远大于G/B，排除红棕底色（G/B不能过低）
    return (r > g + 80) & (r > b + 80) & (g > 40) & (b > 30) & (r > 150)

if __name__ == '__main__':
    image_dir = "/passes"
    results = []

    for filename in os.listdir(image_dir):
        if filename.endswith(".jpg"):
            image_path = os.path.join(image_dir, filename)
            card_image, _, _ = crop_card(image_path)
            
            damage_percent = calculate_damage_percentage(card_image)
            green_percent = color_splatter_percentage(card_image, green_splatter_mask)
            red_percent = color_splatter_percentage(card_image, red_splatter_mask)

            results.append({
                "image": filename,
                "damage_percent": round(damage_percent, 2),
                "green_splatter_percent": round(green_percent, 2),
                "red_splatter_percent": round(red_percent, 2)
            })

    df = pd.DataFrame(results)
    print(df)
    # 可选：保存结果到CSV
    # df.to_csv("card_splatter_features.csv", index=False)

• 破损区域精准识别：

  • 改用NumPy批量处理像素，效率提升数倍
  • 通过灰度值的过暗（<50）和过亮（>200）区域定义破损，避免将破损误判为泼溅
  • 计算泼溅占比时，仅基于有效卡牌区域（排除破损部分）统计，结果更贴合实际泼溅比例

• 红色泼溅抗干扰优化：

  • 增加g > 40和b > 30的限制，排除卡牌本身的红棕底色（底色的G/B值通常较低但不会极低）
  • 加大R与G/B的差值阈值（r > g + 80），确保识别的是鲜艳的红色泼溅而非底色

• 绿色泼溅准确性提升：

  • 增加亮度限制（g > 100），排除暗部的误判
  • 加大G与R/B的差值（g > r + 50），确保识别的是明显的绿色泼溅

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