如何生成边界带像素覆盖占比的连续型圆形掩码，替代离散布尔掩码

要实现像素值为圆形覆盖面积占比的浮点掩码，通常可以根据精度需求选择以下两种实现方案：

• 超采样近似方案：实现简单、性能优秀，精度可通过采样倍数灵活调整，适合大多数图像视觉场景使用。
  核心逻辑是将每个像素拆分为N×N的细粒度子采样点，统计落在圆形范围内的子点占总子点数量的比例，直接作为该像素的掩码值。
• 解析几何精确计算方案：结果无误差，适合对数值精度要求极高的科研、测量类场景。
  核心逻辑是通过几何公式直接计算每个像素对应的正方形区域和目标圆形的相交面积，相交面积和像素面积的比值即为该像素的掩码值。

超采样方案（Python + NumPy） #

import numpy as np

def generate_continuous_circle_mask(
    img_height: int,
    img_width: int,
    center_x: float,
    center_y: float,
    radius: float,
    supersample: int = 8
) -> np.ndarray:
    # 生成超采样坐标网格
    x_coords = np.linspace(0, img_width, img_width * supersample + 1)[:-1].reshape(1, -1)
    y_coords = np.linspace(0, img_height, img_height * supersample + 1)[:-1].reshape(-1, 1)
    # 计算所有超采样点到圆心的距离平方
    dist_square = (x_coords - center_x) ** 2 + (y_coords - center_y) ** 2
    # 标记圆形内的采样点
    inside_circle = dist_square <= radius ** 2
    # 降采样得到每个像素的覆盖占比
    mask = inside_circle.reshape(
        img_height, supersample, img_width, supersample
    ).mean(axis=(1, 3))
    return mask

参数说明：supersample为超采样倍数，取值越高精度越高，同时计算耗时越长，常规场景取4~16即可达到肉眼无差的平滑边缘效果。

精确面积计算方案（Python + Shapely） #

import numpy as np
from shapely.geometry import Point, box

def generate_exact_continuous_mask(
    img_height: int,
    img_width: int,
    center_x: float,
    center_y: float,
    radius: float
) -> np.ndarray:
    mask = np.zeros((img_height, img_width), dtype=np.float32)
    target_circle = Point(center_x, center_y).buffer(radius)
    for y in range(img_height):
        for x in range(img_width):
            # 生成当前像素对应的正方形区域
            pixel_area = box(x, y, x + 1, y + 1)
            # 计算相交面积占比
            intersect_area = pixel_area.intersection(target_circle).area
            mask[y, x] = intersect_area / pixel_area.area
    return mask

注意：该方案为逐像素精确计算，单循环实现性能较低，适合小尺寸掩码生成。大尺寸场景可以结合NumPy向量化逻辑优化，或者使用超采样方案平衡精度和性能。

内容的提问来源于stack exchange，提问作者niaei