如何通过脚本将位掩码(bit masked)图像转换为图像中的ROI

左图为原始0/1值位掩码（虚拟光阑），右图为目标闭合ROI效果示意

核心实现思路 #

• 预处理位掩码：读取仅含0/1值的二值掩码，通过小核形态学闭运算去除边缘孤立噪点、填补轮廓缺口，避免后续提取轮廓出现碎边。
• 提取主体外轮廓：调用二值轮廓提取接口，仅保留最外层闭合轮廓，自动过滤掩码内部孔洞、边缘杂点产生的无效小轮廓，锁定虚拟光阑的主体边界。
• 压缩轮廓顶点：原始逐像素提取的轮廓顶点量过大会拖慢计算速度，通过道格拉斯-普克算法做多边形逼近，按设定精度阈值压缩顶点数量，保证形状和原光阑误差控制在1像素以内即可。
• 封装可用ROI：将压缩后的轮廓顶点按所用处理框架的格式要求，封装为闭合多边形ROI对象，可直接叠加在原始图像上，也可传入后续SI-Map计算流程。

可直接复用的脚本示例 #

依赖安装命令：
pip install opencv-python numpy hyperspy

import cv2
import numpy as np
import hyperspy.api as hs

def mask_to_closed_roi(mask_path, epsilon=1.0, invert_mask=False):
    """
    0/1值位掩码转闭合多边形ROI工具
    参数:
        mask_path: 位掩码文件存储路径
        epsilon: 轮廓逼近精度，单位为像素，值越大顶点数量越少
        invert_mask: 若掩码中光阑区域为0、背景为1则设为True
    返回:
        roi: 可直接对接SI-Map接口的闭合多边形ROI对象
        contour_pts: ROI顶点坐标数组
    """
    # 读取并标准化二值掩码
    mask = cv2.imread(mask_path, cv2.IMREAD_GRAYSCALE)
    if invert_mask:
        mask = 255 - mask
    _, binary_mask = cv2.threshold(mask, 127, 255, cv2.THRESH_BINARY)
    
    # 形态学运算补全边缘小缺口
    kernel = np.ones((3,3), np.uint8)
    binary_mask = cv2.morphologyEx(binary_mask, cv2.MORPH_CLOSE, kernel)

    # 提取最外层主体轮廓
    contours, _ = cv2.findContours(
        binary_mask,
        cv2.RETR_EXTERNAL,
        cv2.CHAIN_APPROX_SIMPLE
    )
    main_contour = max(contours, key=cv2.contourArea)

    # 多边形逼近压缩顶点
    approx_contour = cv2.approxPolyDP(
        main_contour,
        epsilon=epsilon,
        closed=True
    )
    contour_pts = approx_contour.squeeze()
    r_coords = contour_pts[:, 1]
    c_coords = contour_pts[:, 0]

    # 生成闭合ROI
    roi = hs.roi.PolygonROI(r=r_coords, c=c_coords)
    return roi, contour_pts

# 调用示例
if __name__ == "__main__":
    # 替换为实际的位掩码文件路径
    roi, pts = mask_to_closed_roi("virtual_aperture_mask.png", epsilon=1.2)
    print(f"生成ROI包含{len(pts)}个顶点")
    # 后续直接将roi传入SI-Map计算函数即可，无需额外格式转换

使用注意事项 #

• 精度调节：圆形虚拟光阑可将epsilon设为1.5-2.0，进一步减少顶点数提升计算速度；不规则异形光阑建议设为0.5-1.0，保证形状匹配精度。
• 跨环境适配：如果使用GMS（DigitalMicrograph）脚本环境，只需将最后生成ROI的逻辑替换为DM自带的NewROI()接口，传入提取到的顶点坐标即可，轮廓提取、顶点压缩的核心逻辑完全通用。
• 批量处理：该函数可直接嵌入4D-STEM自动化处理流程，掩码生成后自动转ROI传入SI-Map，全程无需手动交互，计算效率比逐像素遍历掩码高30%以上。

内容的提问来源于stack exchange，提问作者w4m