图像分割问题：如何处理反光干扰实现停车位线精准分割

阿华AIGC实验室

2026-5-25

解决反光场景下的停车位线分割问题

我之前在做停车场视觉检测项目时，刚好碰到过一模一样的反光难题——强光下的地面反光会把停车位线和亮区糊成一片，普通阈值分割完全失效。下面是我亲测有效的几种解决方案，从预处理到后处理，再到机器学习辅助，覆盖不同场景：

一、先做反光抑制预处理：CLAHE 局部直方图均衡化

普通的全局直方图均衡会过度增强噪声，反而让反光更严重，**CLAHE（限制对比度自适应直方图均衡化）**是针对局部明暗不均的神器，它能单独处理图像的每个小区域，压暗过亮的反光区，同时提亮暗部的线条细节。

用OpenCV实现的示例代码：

import cv2
import numpy as np

# 读取图像并转灰度
img = cv2.imread("parking_lot.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 创建CLAHE对象，调整clipLimit（对比度限制，一般2-5）和tileGridSize（块大小）
clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))
clahe_gray = clahe.apply(gray)

# 此时再做阈值分割，效果会好很多
ret, thresh = cv2.threshold(clahe_gray, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)

二、用自适应阈值替代全局阈值

全局阈值（比如Otsu）会把整个图像的亮度当成一个整体，反光区域的高亮度会让阈值偏高，导致真正的停车位线被误判为暗区。自适应阈值会根据每个像素周围的局部区域计算阈值，能有效区分局部反光和线条：

示例代码：

# 基于CLAHE处理后的灰度图做自适应阈值
adaptive_thresh = cv2.adaptiveThreshold(
    clahe_gray, 255, 
    cv2.ADAPTIVE_THRESH_GAUSSIAN_C,  # 高斯加权计算局部阈值，比均值更抗噪
    cv2.THRESH_BINARY_INV,  # 反转阈值，让白色线条变成前景
    blockSize=15,  # 局部块大小，必须是奇数，根据线条粗细调整
    C=2  # 从局部均值中减去的常数，调整阈值严格程度
)

三、切换到鲁棒的颜色空间分割

反光在RGB空间会让颜色失真，但在HSV或LAB颜色空间里，我们可以分离亮度和色彩信息，避开反光的干扰：

对于白色停车位线：在HSV空间中，H（色相）范围宽，S（饱和度）极低，V（亮度）较高，但反光的V会异常高。可以先对V通道做掩码，把V>240的反光区域用周围像素填充，再在S/V通道中提取线条。
对于黄色停车位线：在HSV中锁定H的范围（大概20-30），不管V的反光，直接提取S通道的高饱和度区域。

示例代码（白色线条分割）：

hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)
h, s, v = cv2.split(hsv)

# 抑制V通道的高亮度反光
v_mask = v > 240
v[v_mask] = cv2.medianBlur(v, 5)[v_mask]  # 用中值滤波后的周围像素替换反光区

# 提取低饱和度+高亮度的白色区域
lower_white = np.array([0, 0, 180])
upper_white = np.array([180, 30, 255])
white_mask = cv2.inRange(hsv, lower_white, upper_white)

四、用形态学+霍夫变换做后处理补全

不管用哪种分割方法，反光都会导致线条断裂或出现伪轮廓，这时候用形态学操作和霍夫直线检测来优化：

开运算（先腐蚀后膨胀）：去除反光造成的小噪点
闭运算（先膨胀后腐蚀）：补全线条的断裂处
霍夫直线检测：提取直线形状的停车位线，过滤掉反光的不规则亮区

示例代码：

# 形态学开运算去噪
kernel = np.ones((3,3), np.uint8)
opening = cv2.morphologyEx(white_mask, cv2.MORPH_OPEN, kernel, iterations=2)

# 闭运算补全线条
closing = cv2.morphologyEx(opening, cv2.MORPH_CLOSE, kernel, iterations=3)

# 霍夫直线检测提取停车位线
lines = cv2.HoughLinesP(
    closing, rho=1, theta=np.pi/180, threshold=30,
    minLineLength=50, maxLineGap=20
)

# 绘制检测到的线条
for line in lines:
    x1,y1,x2,y2 = line[0]
    cv2.line(img, (x1,y1), (x2,y2), (0,255,0), 2)