基于OpenCV Python的图像指定区域掩码应用及分割边缘残留处理

1. 核心逻辑说明 #

需求本质是仅修正掩码的边缘带，完全保留已准确分割的内部掩码区域，因此首先需要把掩码的边缘范围单独提取出来，所有修正操作仅在该范围内执行，不触碰内部区域。

2. 分步落地方案 #

• 第一步：提取边缘待处理区域
  基于已有的二值输出掩码，用OpenCV形态学操作确定边界范围：首先对原始掩码做腐蚀操作得到确定内部区域，再对原始掩码做膨胀操作得到最大覆盖区域，两个区域的差值就是需要处理的边缘过渡带。过渡带宽度可以通过调整腐蚀/膨胀的卷积核大小控制，残留越宽选用的核越大，常规场景用3x3/5x5的正方形核即可。
  核心用到的函数：cv2.erode()、cv2.dilate()，区域差值用cv2.subtract()计算。
• 第二步：在边缘过渡带内区分前景背景
  由于背景不均匀，所有计算仅在边缘过渡带范围内执行，不做全局判断，可选两种适配方案：
  方案1：自适应阈值分割，对边缘带内的像素做OTSU自动阈值计算，不需要预设颜色参数，自动根据区域内的像素分布确定分割阈值，适配大部分非均匀背景场景。
  方案2：颜色聚类分割，如果前景和背景有明显的颜色特征差异，可以把图像转到Lab/HSV色彩空间，取对应颜色通道做KMeans二分类，区分前景和背景，抗干扰能力更强。
• 第三步：合并得到最终掩码
  直接保留第一步得到的确定内部区域，再把边缘过渡带内判断为前景的像素加入掩码、判断为背景的像素剔除，即可得到修正后的最终掩码。

3. 核心代码参考 #

import cv2
import numpy as np

# 读入原始图像和模型输出的二值掩码（掩码0为背景，255为前景）
raw_img = cv2.imread("input_img.jpg")
raw_mask = cv2.imread("model_output_mask.png", 0)

# 1. 提取边缘待处理区域
kernel = np.ones((3,3), np.uint8) # 核大小根据边缘残留宽度调整
sure_inner = cv2.erode(raw_mask, kernel, iterations=1) # 完全保留的内部前景
max_cover = cv2.dilate(raw_mask, kernel, iterations=1) # 原始掩码覆盖的最大范围
edge_zone = cv2.subtract(max_cover, sure_inner) # 仅需要处理的边缘区域

# 2. 边缘区域自适应分割
gray_img = cv2.cvtColor(raw_img, cv2.COLOR_BGR2GRAY)
# 仅取边缘区域的像素计算OTSU阈值
edge_pixels = gray_img[edge_zone == 255]
thresh, _ = cv2.threshold(edge_pixels, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 生成边缘区域修正后的掩码
_, full_thresh = cv2.threshold(gray_img, thresh, 255, cv2.THRESH_BINARY)
edge_fixed = cv2.bitwise_and(full_thresh, edge_zone)

# 3. 合并得到最终掩码
final_mask = cv2.bitwise_or(sure_inner, edge_fixed)

4. 可选优化方向 #

• 可以根据残留形态调整形态学核的形状，边缘不规则的场景换用椭圆/十字形核效果更好
• 如果自适应阈值精度不足，可以替换为GrabCut算法，把确定内部区域作为GrabCut的确定前景、最大覆盖区域外作为确定背景，仅让算法在边缘过渡带范围内计算，分割精度会更高
• 边缘存在细碎噪点的话，可以最后对边缘修正区域做一次cv2.medianBlur()中值滤波，不影响内部区域的完整性

内容的提问来源于stack exchange，提问作者Ubaid