如何移除被遮挡目标的分割结果，仅绘制可见目标的边界框？

针对被树木等物体遮挡的分割目标，可通过以下几种实用方法过滤：

1. 基于目标完整性的面积占比筛选 #

核心逻辑：被遮挡的目标，其分割区域在自身外接矩形内的占比会远低于完整目标。

• 步骤：
  1. 用cv2.findContours()提取分割掩码的轮廓
  2. 对每个轮廓计算最小外接矩形cv2.boundingRect()
  3. 计算轮廓面积cv2.contourArea()与矩形面积的比值
  4. 设置合理阈值（比如0.5-0.7，根据目标类型调整），过滤比值低于阈值的目标
• 代码片段：

import cv2
import numpy as np

mask = cv2.imread('segmentation_mask.png', 0)
contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

valid_contours = []
area_ratio_threshold = 0.6  # 可根据场景调整

for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    rect_area = w * h
    cnt_area = cv2.contourArea(cnt)
    ratio = cnt_area / rect_area
    if ratio >= area_ratio_threshold:
        valid_contours.append(cnt)

# 绘制有效目标边界框
img = cv2.imread('original_image.png')
for cnt in valid_contours:
    x, y, w, h = cv2.boundingRect(cnt)
    cv2.rectangle(img, (x,y), (x+w,y+h), (0,255,0), 2)
cv2.imwrite('result.png', img)

2. 结合原始图像的颜色/纹理特征过滤 #

利用原始图像的视觉特征，判断分割区域是否混杂了遮挡物的特征（比如树木的绿色）。

• 步骤：
  1. 根据分割掩码提取原始图像中目标区域的ROI
  2. 将ROI转换到HSV空间，统计遮挡物对应颜色的像素占比
  3. 占比超过阈值则判定为被遮挡目标，予以移除
• 代码片段：

img = cv2.imread('original_image.png')
mask = cv2.imread('segmentation_mask.png', 0)

valid_contours = []
occlusion_color_threshold = 0.2  # 遮挡物颜色占比阈值

# 定义树木绿色的HSV范围
lower_green = np.array([35, 40, 40])
upper_green = np.array([77, 255, 255])

contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

for cnt in contours:
    x, y, w, h = cv2.boundingRect(cnt)
    roi = img[y:y+h, x:x+w]
    roi_hsv = cv2.cvtColor(roi, cv2.COLOR_BGR2HSV)
    mask_green = cv2.inRange(roi_hsv, lower_green, upper_green)
    green_pixel_ratio = np.sum(mask_green > 0) / (w * h)
    if green_pixel_ratio <= occlusion_color_threshold:
        valid_contours.append(cnt)

3. 轮廓形状匹配过滤 #

提前收集完整目标的轮廓模板，通过形状相似度判断分割目标是否完整。

• 步骤：
  1. 导入完整目标的轮廓模板（比如提前标注的完整车辆轮廓）
  2. 计算分割轮廓与模板的Hu矩相似度cv2.matchShapes()
  3. 设置相似度阈值，过滤匹配度低的目标
• 代码片段：

# 假设template_contour是提前加载的完整目标轮廓
template_mask = cv2.imread('template_mask.png', 0)
template_contour, _ = cv2.findContours(template_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)[0]

contours, _ = cv2.findContours(mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
valid_contours = []
shape_similarity_threshold = 0.3  # 值越小，形状越相似

for cnt in contours:
    similarity = cv2.matchShapes(cnt, template_contour, cv2.CONTOURS_MATCH_I1, 0.0)
    if similarity <= shape_similarity_threshold:
        valid_contours.append(cnt)

4. 利用分割模型的像素置信度过滤 #

如果你的分割模型输出包含像素级置信度图，可以通过目标区域的平均置信度判断：

• 步骤：
  1. 加载分割模型输出的置信度图（与掩码尺寸一致）
  2. 对每个目标轮廓区域，计算平均置信度
  3. 过滤平均置信度低于阈值的目标

内容的提问来源于stack exchange，提问作者Zee Jan