使用OpenCV计算二值掩码中各独立形状面积以保留最大人体掩码

你描述的需求可以通过二值图连通组件分析实现，只要你的目标人体区域确实是掩码中面积最大的白色区域，该方法可以完全解决你提到的小面积检测误差问题，以下是两种可直接落地的实现方式：

方案1：基于OpenCV实现（运算效率最高，推荐工业场景使用） #

调用OpenCV封装好的连通组件统计接口即可完成，代码示例：

import cv2
import numpy as np

def keep_largest_white_area(binary_mask):
    """
    输入单通道二值掩码（白色像素为255，背景为0），返回仅保留最大连通白色区域的掩码
    """
    # 8邻域连通组件分析，返回：区域总数、像素所属区域标签、各区域统计参数、各区域中心点
    num_labels, labels, stats, _ = cv2.connectedComponentsWithStats(binary_mask, connectivity=8)
    # 仅存在背景区域时直接返回原掩码
    if num_labels <= 1:
        return binary_mask
    # 提取所有前景区域的面积（stats第4列为面积，索引0对应背景区域，故从1开始取）
    foreground_areas = stats[1:, cv2.CC_STAT_AREA]
    # 取最大面积对应区域的标签
    max_area_label = np.argmax(foreground_areas) + 1
    # 生成新掩码
    output_mask = np.zeros_like(binary_mask)
    output_mask[labels == max_area_label] = 255
    return output_mask

参数说明：

• 连通性可根据需求调整：connectivity=8为8邻域连通（上下左右+四个对角都算连通），connectivity=4为4邻域连通（仅上下左右算连通）
• 若输入掩码是多通道RGB格式，需先通过cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)转为单通道图再传入

方案2：基于Scipy实现（适合轻量场景，无需安装OpenCV） #

如果你的项目没有引入OpenCV依赖，可以用Scipy的图像测量模块实现：

import numpy as np
from scipy import measure

def keep_largest_white_area_scipy(binary_mask_arr):
    # 标记所有连通区域
    labeled_mask = measure.label(binary_mask_arr, connectivity=2)
    # 获取所有区域的属性
    regions = measure.regionprops(labeled_mask)
    if not regions:
        return binary_mask_arr
    # 筛选面积最大的区域
    max_region = max(regions, key=lambda x: x.area)
    # 生成输出掩码
    output_mask = np.zeros_like(binary_mask_arr)
    output_mask[labeled_mask == max_region.label] = 255
    return output_mask

内容的提问来源于stack exchange，提问作者k1 hf