OpenCV中K-Means二聚类分割后如何提取目标区域二值掩码

调用cv2.kmeans时使用cv2.KMEANS_RANDOM_CENTERS参数会随机选择初始聚类中心，每次运行后标签0、1对应的前景/背景类别会随机互换，没有固定对应关系，因此无法稳定提取目标区域。

要稳定生成可用于面积计算的左心耳掩码，按以下流程处理即可：

• 聚类完成后匹配目标类别：原始图像中左心耳腔体区域亮度显著低于周围亮背景，将两个BGR格式的聚类中心转为灰度值，灰度值更小的类别即为左心耳区域。如果要降低聚类结果的随机波动，可将初始化参数替换为cv2.KMEANS_PP_CENTERS，使用kmeans++算法选择初始中心，结果一致性更好。
• 生成标准二值掩码：将聚类得到的标签数组与目标类别值做相等判断，生成的布尔数组转为uint8格式，目标区域赋值255、背景赋值0，即可得到单通道二值掩码。
• 面积计算：直接统计掩码中非零像素的数量，即可得到左心耳的像素面积；如果需要实际物理面积，乘以DICOM文件中存储的像素间距参数即可。

import numpy as np
import cv2

# 读取原始图像
img = cv2.imread('1_LA.jpg')
pixel_values = np.float32(img.reshape((-1, 3)))

# 设置K-means聚类参数
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 2
# 若要更稳定的聚类结果，可将下面的cv2.KMEANS_RANDOM_CENTERS替换为cv2.KMEANS_PP_CENTERS
_, labels, centers = cv2.kmeans(pixel_values, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
labels = labels.reshape(img.shape[:-1])

# 匹配暗区域（左心耳）对应的标签
center_gray = []
for c in centers:
    # 将BGR格式的聚类中心转为灰度值
    gray_val = cv2.cvtColor(np.uint8([[c]]), cv2.COLOR_BGR2GRAY)[0][0]
    center_gray.append(gray_val)
target_label = np.argmin(center_gray)

# 生成二值掩码
mask = np.uint8(labels == target_label) * 255

# 计算像素面积
area_pixel = cv2.countNonZero(mask)
print(f"左心耳像素面积：{area_pixel}")

# 保存掩码文件
cv2.imwrite('laa_mask.png', mask)

# 可选：生成分割叠图验证效果
mask_3channel = cv2.cvtColor(mask, cv2.COLOR_GRAY2BGR)
overlay = cv2.addWeighted(img, 0.7, mask_3channel, 0.3, 0)
cv2.imwrite('segmentation_verify.jpg', overlay)

运行代码后生成的laa_mask.png为单通道二值掩码，目标区域值为255、背景值为0，和需求的目标掩码格式完全一致，可直接用于后续面积计算、形态学操作等任务。
如果后续测试的图像中目标区域为高亮度区域，只需将代码中np.argmin替换为np.argmax即可正确匹配目标类别。

内容的提问来源于stack exchange，提问作者TseHsien