如何隔离地图图像中的红灰色矩形并去噪用于神经网络训练

灰色、红色矩形同步隔离方法 #

灰色线条和背景的核心差异在HSV颜色空间的饱和度通道：灰色属于无彩色，饱和度值极低，和普通带颜色的背景/其他线条区分度极高，不需要提前修改颜色，直接通过多阈值过滤即可同时提取两类矩形：

修正后的掩码提取代码 #

import cv2
import numpy as np

im = cv2.imread("你的地图图片路径.png")
hsv = cv2.cvtColor(im, cv2.COLOR_BGR2HSV)

# 1. 提取红色掩码（修正原阈值范围，避免混入其他颜色）
# 红色在HSV中分布在0°-10°和170°-180°两个区间
lower_red1 = np.array([0, 120, 70])
upper_red1 = np.array([10, 255, 255])
lower_red2 = np.array([170, 120, 70])
upper_red2 = np.array([180, 255, 255])
mask_red1 = cv2.inRange(hsv, lower_red1, upper_red1)
mask_red2 = cv2.inRange(hsv, lower_red2, upper_red2)
mask_red = mask_red1 | mask_red2

# 2. 提取灰色掩码（低饱和度+亮度区间过滤，适配和背景相近的灰色）
# 可根据实际灰度亮度调整lower_gray和upper_gray的V值
lower_gray = np.array([0, 0, 50])
upper_gray = np.array([180, 30, 220])
mask_gray = cv2.inRange(hsv, lower_gray, upper_gray)

# 形态学去噪，修复原代码的输入错误（原代码第二次形态学操作错误使用thresh而非clean后的结果）
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (9,9))
mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_OPEN, kernel)
mask_gray = cv2.morphologyEx(mask_gray, cv2.MORPH_OPEN, kernel)
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (15,15))
mask_red = cv2.morphologyEx(mask_red, cv2.MORPH_CLOSE, kernel)
mask_gray = cv2.morphologyEx(mask_gray, cv2.MORPH_CLOSE, kernel)

之后你可以直接把两个掩码合并后反转，就能得到白底黑矩形的训练用图，不需要做蓝色区域的inpaint操作。

整体需求的更优实现思路 #

67万张量级的数据集完全可以用传统几何判断实现需求，无需训练CNN，耗时和准确率都更可控：

• 提前提取蓝色掩码：和上面的逻辑一致，用HSV阈值提取蓝色线条的掩码，再提取所有蓝色矩形的轮廓和最小外接矩形参数
• 问题1判断：计算mask_red & (~mask_gray)的非零像素数，超过设定的噪声阈值（比如10个像素）即可判定存在未覆盖在灰色线条上的红色线条
• 问题2判断：提取红色线条的最小外接矩形的四个顶点，调用cv2.pointPolygonTest()判断是否有顶点落在蓝色矩形的轮廓内部，只要有至少2个顶点在内部，即可判定红色矩形部分处于蓝色矩形内部

原方案的可优化点 #

• 原第一步的蓝色区域inpaint完全不必要，直接保留蓝色掩码做几何判断即可，inpaint反而可能引入额外的噪声影响后续线条提取
• 原红色阈值范围设置过宽（0-120的H值），会混入蓝色、紫色等其他颜色的像素，修正为两个红色区间的阈值后准确率会大幅提升
• 原形态学操作第二步错误使用原始阈值图作为输入，导致第一次开运算的去噪效果完全失效，修正为使用前一步处理后的掩码作为输入即可

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