使用OpenCV inRange()创建掩码报错：边界参数不匹配问题求助

错误原因 #

• res是扁平化后的像素数组（shape为(总像素数, 3)），而cv2.inRange要求输入的源图像是二维+通道的格式（shape为(高度, 宽度, 通道数)），维度不匹配导致参数校验失败。
• 虽然center是符合通道数的数组，但输入源的维度不符合OpenCV对图像数据的预期结构。

解决方案 #

方法1：修复inRange的输入源 #

改用已经恢复原图像尺寸的result_image作为输入，它的shape和原始图像一致（HxWx3），符合cv2.inRange的要求：

import numpy as np
import matplotlib.pyplot as plt
import cv2

sample_image = cv2.imread('island.jpg')
img = cv2.cvtColor(sample_image,cv2.COLOR_BGR2RGB)

twoDimage = img.reshape((-1,3))
twoDimage = np.float32(twoDimage)

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 3
attempts=10

ret,label,centers=cv2.kmeans(twoDimage,K,None,criteria,attempts,cv2.KMEANS_RANDOM_CENTERS)
centers = np.uint8(centers)
res = centers[label.flatten()]
result_image = res.reshape((img.shape))

k = 0
for center in centers:
    print(center) # [ 82 135  57]
    # 使用result_image替代res作为inRange的输入源
    mask = cv2.inRange(result_image, center, center)
    # 可添加掩码处理逻辑，比如显示
    # plt.imshow(mask, cmap='gray')
    # plt.show()
    k += 1

方法2：直接利用K-Means的label生成掩码（更高效准确） #

K-Means已经输出了每个像素的聚类标签，直接用标签生成掩码可以避免颜色匹配的误差，计算效率也更高：

import numpy as np
import matplotlib.pyplot as plt
import cv2

sample_image = cv2.imread('island.jpg')
img = cv2.cvtColor(sample_image,cv2.COLOR_BGR2RGB)

twoDimage = img.reshape((-1,3))
twoDimage = np.float32(twoDimage)

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 3
attempts=10

ret,label,centers=cv2.kmeans(twoDimage,K,None,criteria,attempts,cv2.KMEANS_RANDOM_CENTERS)
centers = np.uint8(centers)
res = centers[label.flatten()]
result_image = res.reshape((img.shape))

# 遍历每个聚类索引生成掩码
for cluster_idx in range(K):
    # 将label重塑为原图像尺寸，生成二值掩码
    mask = (label.reshape(img.shape[:2]) == cluster_idx).astype(np.uint8) * 255
    print(f"聚类中心: {centers[cluster_idx]}")
    # 可添加掩码处理逻辑
    # plt.imshow(mask, cmap='gray')
    # plt.show()

说明 #

方法2的优势在于：K-Means的标签是像素聚类的直接结果，无需通过颜色值匹配，完全避免了uint8转换或颜色精度带来的匹配误差，同时计算步骤更少，性能更优。

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