基于曲率从OpenCV轮廓提取非阴影地球边缘点的技术问询

我正在处理一张从月球拍摄的地球照片：

我的需求是获取地球未处于阴影中边缘的contour点（即构成椭球的区域），要保留地球球体边缘的物理点，同时尽量避免使用高斯模糊防止数据丢失。

我编写的轮廓生成代码如下：

import numpy as np
import cv2 as cv

# 读取图像并转为灰度图
image_path = r"moon_check.png"
im = cv.imread(image_path)
imgray = cv.cvtColor(im, cv.COLOR_BGR2GRAY)

# 阈值处理后查找轮廓
ret, thresh = cv.threshold(imgray, 0, 1, cv.THRESH_BINARY + cv.THRESH_OTSU)
contours, hierarchy = cv.findContours(thresh, cv.RETR_EXTERNAL , cv.CHAIN_APPROX_NONE)
contours = sorted(contours, key=cv.contourArea, reverse=True)
test = im
cnt = contours[0]

生成的轮廓效果较好：

但需要精简轮廓元素，排除晨昏线下方的阴影区域，仅保留顶部的曲线部分。目前尝试过以下方法但效果不佳：

• 手动曲率采样有一定效果，但找不到合适的二阶导数检测方法，只能靠大量手动调参排除底部区域。
• OpenCV的minEnclosingCircle拟合效果差，可能是地球的扁球体特性导致。从拟合结果筛选最近点的方式不够简洁，迭代筛选效率也不高。
• OpenCV的霍夫圆检测在灰度图上效果不好，可能是没对图像做模糊处理，但又不想模糊丢失数据。
• 阴影轮廓导致Kasa或Coope等经典圆拟合方法无法正常工作。
• 凸匹配对大部分区域有效，但底部很多元素也具有凸性。

可探索的方法及优化方向 #

一、优化初始轮廓提取逻辑

当前全局阈值+OTSU的方式容易把阴影区域误判为前景，可尝试以下调整：

• 基于颜色通道的阈值筛选：地球亮部在RGB的蓝绿通道亮度更高，阴影区域灰度值显著偏低。可以转成HLS色彩空间提取亮度（L）通道，或者直接用B/G通道做阈值，针对性保留亮部区域，减少阴影干扰。
• 局部自适应阈值：用cv.adaptiveThreshold替代全局阈值，设置合适的块大小（比如15x15）和C值，让算法根据局部区域亮度调整阈值，更精准区分亮部边缘和阴影。
• Canny边缘检测+轮廓提取：先对灰度图做Canny边缘检测（高低阈值可设为50和150左右，无需高斯模糊），再从边缘图中提取轮廓。Canny能更好地保留真实边缘，过滤阴影区域的伪边缘。

二、对现有轮廓点做针对性筛选

既然已经得到完整轮廓，可通过几何或亮度特征过滤阴影点：

• 椭圆拟合筛选：用cv.fitEllipse对完整轮廓做椭圆拟合（适配地球扁球体特性），得到椭圆参数后，计算每个轮廓点到椭圆边缘的距离，保留距离在阈值内的点——亮部边缘会更贴近椭圆，阴影点会明显偏离，以此过滤底部区域。
• 斜率突变检测：先找到轮廓的最高点（y值最小的点），遍历轮廓时计算相邻点的斜率变化。亮部边缘斜率变化平滑，晨昏线附近斜率会出现突变，设置阈值停止保留突变后的点即可。
• 邻域亮度验证：对每个轮廓点，取周围3x3或5x5邻域的平均灰度，只保留邻域亮度高于阈值的点。阴影区域的点周围亮度低，亮部边缘点周围亮度高，可直接过滤阴影点。

三、形态学操作辅助去噪

在阈值处理后，用cv.morphologyEx做开运算（先腐蚀后膨胀），选择小尺寸的结构元素（比如3x3矩形核），可以去掉阴影区域的小伪轮廓或毛刺，同时不破坏亮部的完整边缘，再提取轮廓能减少后续筛选压力。

四、语义分割（批量场景可选）

如果上述方法都达不到预期，且需要批量处理这类图像，可以用简单的语义分割模型（比如U-Net），标注少量亮部/阴影样本训练模型，直接分割出亮部区域后再提取轮廓，精度更高但需要一定的建模成本。

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