Python如何不裁剪图像移除偏离中心元素 仅识别处理中间目标

现有代码存在几个核心缺陷，无法稳定达到预期效果：

• 执行效率极低：嵌套for循环遍历中心区域所有像素做pointPolygonTest计算，处理单张大图就要数秒，批量处理数百张图耗时会不可接受
• 轮廓提取可靠性差：仅用Canny边缘检测提取轮廓，容易受图像噪声、目标边缘不连续影响，得到的轮廓多为破碎的边缘段，无法匹配完整目标
• 筛选逻辑容错性低：直接取第一个符合条件的轮廓center_contour[0][0]，如果中心区域存在多个小噪声轮廓，会直接误选非目标轮廓
• 没有做轮廓有效性过滤：没有通过面积、外接矩形占比等规则过滤无意义的小噪声轮廓，误判概率高

核心逻辑为：自动计算中心参考区域→预处理降噪→分割提取完整轮廓→按轮廓和中心区域的重叠度筛选目标→生成掩码保留目标
以下是可直接使用的优化代码：

import cv2 as cv
import numpy as np
import os

def keep_center_target(img, center_ratio=0.3):
    h, w = img.shape[:2]
    # 自动计算中心参考区域（默认取长宽30%的中心矩形，可调整ratio适配你的场景）
    center_x1, center_y1 = int(w * (1 - center_ratio) / 2), int(h * (1 - center_ratio) / 2)
    center_x2, center_y2 = int(w * (1 + center_ratio) / 2), int(h * (1 + center_ratio) / 2)
    
    # 预处理降噪，避免提取过多噪声边缘
    if len(img.shape) == 3:
        gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)
    else:
        gray = img.copy()
    blurred = cv.GaussianBlur(gray, (5, 5), 0)
    
    # 优先用阈值分割提取前景，比直接Canny更适合前景背景差异明显的场景（比如天文星系图）
    _, thresh = cv.threshold(blurred, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)
    contours, _ = cv.findContours(thresh, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    
    # 若阈值分割效果差，可注释上面两行，用下面的Canny逻辑替换
    # edges = cv.Canny(blurred, 30, 200)
    # contours, _ = cv.findContours(edges, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
    
    # 过滤过小的噪声轮廓，面积阈值可根据实际场景调整
    valid_contours = [cnt for cnt in contours if cv.contourArea(cnt) > 10]
    if not valid_contours:
        return img
    
    # 筛选和中心区域有重叠的轮廓，无需逐像素判断，效率提升百倍以上
    target_contours = []
    for cnt in valid_contours:
        x, y, bw, bh = cv.boundingRect(cnt)
        # 判断轮廓外接矩形和中心区域是否存在交集
        intersect_x1 = max(x, center_x1)
        intersect_y1 = max(y, center_y1)
        intersect_x2 = min(x + bw, center_x2)
        intersect_y2 = min(y + bh, center_y2)
        if intersect_x2 > intersect_x1 and intersect_y2 > intersect_y1:
            target_contours.append(cnt)
    
    if not target_contours:
        return img
    
    # 生成掩码保留目标，支持带透明通道的PNG
    mask = np.zeros(img.shape[:2], dtype='uint8')
    cv.drawContours(mask, target_contours, -1, 255, -1)
    if img.shape[-1] == 4:
        b, g, r, a = cv.split(img)
        new_a = cv.bitwise_and(a, a, mask=mask)
        result = cv.merge((b, g, r, new_a))
    else:
        result = cv.bitwise_and(img, img, mask=mask)
    return result

# 批量处理示例
input_dir = "你的输入文件夹路径"
output_dir = "Vorverarbeitung_2/Bearbeitung/cut/"
os.makedirs(output_dir, exist_ok=True)

for file_name in os.listdir(input_dir):
    if file_name.lower().endswith(".png"):
        img = cv.imread(os.path.join(input_dir, file_name), cv.IMREAD_UNCHANGED)
        result = keep_center_target(img)
        cv.imwrite(os.path.join(output_dir, file_name), result)

• 调整center_ratio参数可修改中心参考区域大小，值越大参考区域越大，适配大尺寸中心目标场景
• 修改cv.contourArea(cnt) > 10中的数值可调整噪声过滤阈值，数值越大过滤的小轮廓越多
• 若阈值分割效果不符合预期，可切换为注释中的Canny边缘检测逻辑

内容的提问来源于stack exchange，提问作者user16755372