Python图像处理：背景减除、居中、缩放、裁剪、配准问题咨询

以下方案均依赖opencv-python和numpy库，提前通过pip安装即可使用。

1. 单目标（苹果）自动居中 #

每张图仅含单个苹果时，不需要复杂分割模型，通过质心检测+平移变换即可实现居中，比固定方向裁剪的鲁棒性更强，不会因为苹果位置特殊丢失边缘内容：

• 先通过OTSU自适应阈值分割出苹果的二值mask
• 通过图像矩计算苹果的质心坐标
• 计算质心与图像画布中心的偏移量，构造平移矩阵做仿射变换，空缺区域填充背景色

import cv2
import numpy as np

def center_apple(img, bg_value=(255,255,255)):
    h, w = img.shape[:2]
    canvas_center_x, canvas_center_y = w//2, h//2
    # 生成苹果分割mask
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
    blur = cv2.GaussianBlur(gray, (5,5), 0)
    _, mask = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
    # 计算苹果质心
    M = cv2.moments(mask)
    if M["m00"] == 0:
        return img
    apple_cx = int(M["m10"] / M["m00"])
    apple_cy = int(M["m01"] / M["m00"])
    # 平移对齐中心
    dx = canvas_center_x - apple_cx
    dy = canvas_center_y - apple_cy
    trans_mat = np.float32([[1,0,dx],[0,1,dy]])
    centered_img = cv2.warpAffine(img, trans_mat, (w,h), borderValue=bg_value)
    return centered_img

如果要走纯裁剪逻辑，只需要根据质心位置计算四边裁剪量即可：苹果在左下角时，右侧、上侧的裁剪宽度更大，左、下侧裁剪宽度更小，保证裁剪后的图像中心刚好落在苹果质心上。

2. 多尺寸图像统一调整 #

根据是否需要保留图像原始比例选对应方案：

• 不需要保留比例：直接调用cv2.resize(img, (target_w, target_h))即可，缺点是目标可能被拉伸变形
• 需要保留比例：采用letterbox补边逻辑，等比例缩放后将图像贴在统一尺寸画布的中心，空缺区域填充背景色，无变形

def resize_with_padding(img, target_size=(512,512), bg_value=(255,255,255)):
    h, w = img.shape[:2]
    target_w, target_h = target_size
    scale = min(target_w/w, target_h/h)
    new_w, new_h = int(w*scale), int(h*scale)
    resized_img = cv2.resize(img, (new_w, new_h))
    # 生成画布并贴图
    canvas = np.full((target_h, target_w, 3), bg_value, dtype=np.uint8)
    paste_x = (target_w - new_w) // 2
    paste_y = (target_h - new_h) // 2
    canvas[paste_y:paste_y+new_h, paste_x:paste_x+new_w] = resized_img
    return canvas

3. 固定中心的外围裁剪缩放 #

该操作不会改变图像中心位置，仅裁掉外围冗余区域后缩放到目标尺寸，适合已经完成目标居中的图像预处理：

• 先以图像中心为基准，裁剪出和目标尺寸宽高比一致的最大中心区域
• 将裁剪出的区域直接缩放到目标尺寸即可

def center_crop_and_resize(img, target_size=(512,512)):
    h, w = img.shape[:2]
    target_w, target_h = target_size
    target_ratio = target_w / target_h
    img_ratio = w / h
    # 按比例裁中心区域
    if img_ratio > target_ratio:
        new_w = int(h * target_ratio)
        x_start = (w - new_w) // 2
        cropped = img[:, x_start:x_start+new_w]
    else:
        new_h = int(w / target_ratio)
        y_start = (h - new_h) // 2
        cropped = img[y_start:y_start+new_h, :]
    # 缩放到目标尺寸
    final_img = cv2.resize(cropped, target_size)
    return final_img

注意：该操作会丢弃外围图像内容，如果目标没有提前居中，可能裁掉部分目标主体。

4. 微小偏移图像对齐（配准）用于差分检测 #

间隔固定时间拍摄的图像仅存在刚性位移（平移、轻微旋转，无明显形变），用OpenCV自带的ECC（增强相关系数）算法即可完成高精度对齐，对齐后再做差分就不会因为偏移产生大量误检：

def align_to_ref(ref_img, moving_img):
    ref_gray = cv2.cvtColor(ref_img, cv2.COLOR_BGR2GRAY)
    moving_gray = cv2.cvtColor(moving_img, cv2.COLOR_BGR2GRAY)
    # 初始化刚性变换矩阵
    warp_mat = np.eye(2, 3, dtype=np.float32)
    # 迭代终止条件
    stop_criteria = (cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_COUNT, 1000, 1e-8)
    # 计算最优变换参数
    _, warp_mat = cv2.findTransformECC(ref_gray, moving_gray, warp_mat, cv2.MOTION_EUCLIDEAN, stop_criteria)
    h, w = ref_img.shape[:2]
    aligned_img = cv2.warpAffine(moving_img, warp_mat, (w,h), flags=cv2.INTER_LINEAR + cv2.WARP_INVERSE_MAP)
    return aligned_img

# 差分检测调用示例
# ref_frame = cv2.imread("first_shot.jpg")
# next_frame = cv2.imread("5min_later.jpg")
# aligned_frame = align_to_ref(ref_frame, next_frame)
# # 计算差分图
# diff = cv2.absdiff(ref_frame, aligned_frame)
# diff_gray = cv2.cvtColor(diff, cv2.COLOR_BGR2GRAY)
# # 阈值过滤噪声，得到真实变化区域
# _, change_mask = cv2.threshold(diff_gray, 25, 255, cv2.THRESH_BINARY)

如果图像位移极小、没有旋转，也可以用相位相关算法直接计算x/y方向的平移量，对齐速度更快。

内容的提问来源于stack exchange，提问作者김수환