Python----OpenCV（图像分割——彩色图像分割，GrabCut算法分割图像）
一、彩色图像分割
彩色图像分割是利用图像的颜色特征，将不同区域或物体从图像中分割出来的方法。 相比灰度图像，彩色图像包含更多维度的信息（通常是3个通道），分割效果更丰富。
| 名称 | 组成通道 | 特点 |
|---|---|---|
| RGB | R、G、B | 常规图像格式，易受光照影响 |
| HSV | H（色调）、S（饱和度）、V（亮度） | 色调独立，分割色彩区域效果好 |
| Lab | L（亮度）、a（绿-红）、b（蓝-黄） | 更接近人眼感知，常用于复杂环境 |
cv2.inRange() 函数用于图像阈值操作，基于指定的范围对图像进行分割。它通过将图像的像素值与指定的范围进行比较，生成一个二值图像：在指定范围内的像素值对应为白色（255），不在范围内的像素值对应为黑色（0）。
cv2.inRange(src, lowerb, upperb)
| 参数 | 类型 | 说明 |
|---|---|---|
src | 输入图像 | 可以是彩色图像（如 BGR、HSV 等格式）或单通道图像（如灰度图像）。 |
lowerb | 数组或标量 | 低阈值，表示每个通道的最小值。对于多通道图像，应提供对应通道的阈值数组。 |
upperb | 数组或标量 | 高阈值，表示每个通道的最大值。对于多通道图像，应提供对应通道的阈值数组。 |
| 返回值 | 类型 | 说明 |
|---|---|---|
| 掩膜图像 | 二值图像 | 与输入图像大小相同，像素值在 [lowerb, upperb] 范围内的置为 255，否则为 0。 |
cv2.bitwise_and() 函数执行按位与（AND）操作。它用于将两个图像的对应像素进行按位与操作。通常用于图像遮罩操作，它可以将掩膜图像与原图像进行“与”操作，保留原图中掩膜图像为 255（白色）区域的部分，其他部分变为黑色（0）。
cv2.bitwise_and(src1, src2, mask=None)
| 参数 | 类型 | 说明 |
|---|---|---|
src1 | 输入图像1 | 可以是单通道或多通道图像（如灰度图、BGR、HSV 等）。 |
src2 | 输入图像2 | 必须与 src1 的尺寸和数据类型相同。 |
mask | 可选掩膜 | 如果提供，仅对掩膜中非零的像素进行按位与操作，其余部分保持原值或置零。 |
| 返回值 | 类型 | 说明 |
|---|---|---|
| 输出图像 | 与输入相同类型 | 返回 src1 & src2 的按位与结果，若提供 mask，则仅影响掩膜区域。 |
彩色图像分割常见问题与解决方法
问题 原因 解决方法 光照变化敏感 RGB 亮度变化大 转换到 HSV/Lab 空间，使用 H 或 a、b 分量 颜色相近区域难区分 不同物体颜色接近 多通道联合分割、加入位置/纹理特征 背景杂乱 背景颜色复杂 先滤波去噪，再基于颜色空间提取目标色域 色域交叉 目标色域与背景部分重叠 结合多阈值、多特征、多步骤分割，提升鲁棒性
import cv2
import numpy as np
# 读取图片
img=cv2.imread('./images/nezha.png')# 将bgt转hsv
hsv = cv2.cvtColor(img, cv2.COLOR_BGR2HSV)# 创建窗口
cv2.namedWindow('Trackbars')def callback(x): pass# 创建滑动条6条 H 0-179 S V 0-255
cv2.createTrackbar('H_min', 'Trackbars', 0, 179, callback)
cv2.createTrackbar('H_max', 'Trackbars', 179, 179, callback)
cv2.createTrackbar('S_min', 'Trackbars', 0, 255, callback)
cv2.createTrackbar('S_max', 'Trackbars', 255, 255, callback)
cv2.createTrackbar('V_min', 'Trackbars', 0, 255, callback)
cv2.createTrackbar('V_max', 'Trackbars', 255, 255, callback)# 无限循环
while True:# 获取滑动条的值h_min = cv2.getTrackbarPos('H_min', 'Trackbars')h_max = cv2.getTrackbarPos('H_max', 'Trackbars')s_min = cv2.getTrackbarPos('S_min', 'Trackbars')s_max = cv2.getTrackbarPos('S_max', 'Trackbars')v_min = cv2.getTrackbarPos('V_min', 'Trackbars')v_max = cv2.getTrackbarPos('V_max', 'Trackbars')# 组装上下界 Numpy数组 分别表示hsv最小值和最大值lower = np.array([h_min, s_min, v_min])upper = np.array([h_max, s_max, v_max])#利用INRANGE函数对图像进行二值化mask = cv2.inRange(hsv, lower, upper)# 将二值图像与原图像进行位运算res = cv2.bitwise_and(img, img, mask=mask)cv2.imshow('img', img)cv2.imshow('mask', mask)cv2.imshow('res', res)# 按q键退出if cv2.waitKey(1) & 0xFF == ord('q'):breakcv2.destroyAllWindows()
二、 GrabCut算法分割图像
GrabCut是一种基于图像分割的半监督算法，它在图像分割中通过将前景和背景建模为图像的高斯混合模型（GMM），以此来实现高效且准确的图像分割。GrabCut 结合了 图像边缘信息 和 用户输入的前景/背景框，可以快速分割出图像中的目标区域。
👉核心思想：
高斯混合模型：对前景和背景分别建立高斯混合模型，并计算每个像素属于前景或背景的概率。
迭代优化：通过迭代过程优化前景和背景的分割边界，使其逐步精确。
应用场景
🎨 目标提取（如人像抠图、物体分割）。
🖼️自动化图像编辑（如替换背景、去除背景）。
🩺医学图像分析（如肿瘤检测、细胞分割）。
GrabCut 原理流程
用户输入矩形区域
将矩形区域内作为潜在前景，矩形外作为背景。
高斯混合模型（GMM）建模
利用 GMM 对前景和背景像素颜色分布进行建模。
构建图模型
像素作为节点，节点之间根据像素相似性设置边的权重。
图割（Graph Cut）
利用最小割/最大流算法，计算出前景和背景的最优分割。
迭代优化
重复更新 GMM 参数，优化分割结果。
GrabCut 是基于图割的前景提取算法，OpenCV 中直接封装成了 cv2.grabCut() 函数，调用简单。
cv2.grabCut(img, mask, rect, bgdModel, fgdModel, iterCount, mode)
| 参数 | 类型 | 说明 |
|---|---|---|
img | 输入图像（3通道 BGR） | 需要进行前景分割的彩色图像（BGR 格式）。 |
mask | 单通道掩膜图像 | 初始化的掩膜，取值： • 0（cv2.GC_BGD）：背景• 1（cv2.GC_FGD）：前景• 2（cv2.GC_PR_BGD）：可能背景• 3（cv2.GC_PR_FGD）：可能前景如果使用 cv2.GC_INIT_WITH_RECT，该参数会被修改。 |
rect | (x, y, w, h) 元组 | 包含前景的矩形区域（仅 mode=cv2.GC_INIT_WITH_RECT 时使用）。 |
bgdModel | np.float64 数组 | 内部背景模型，需初始化为 np.zeros((1, 65), np.float64)。 |
fgdModel | np.float64 数组 | 内部前景模型，需初始化为 np.zeros((1, 65), np.float64)。 |
iterCount | int | 算法的迭代次数（通常 5 次即可，更高次数可能优化结果）。 |
mode | int（可选） | 运行模式： • cv2.GC_INIT_WITH_RECT（默认，用矩形初始化）• cv2.GC_INIT_WITH_MASK（用掩膜初始化） |
import cv2
import numpy as np
# 读取图像
img=cv2.imread('./images/nezha.png')# 复制图像
img_copy = img.copy() # ROI 区域fromCenter false 表示从左上角开始选择，true表示从中心开始选择 showCrosshair 是否显示十字架
rect = cv2.selectROI("请选择目标区域，然后按ENTER确定",img_copy, fromCenter=False, showCrosshair=True)
print(rect) # 输出选择的区域
cv2.destroyAllWindows()# 创建掩膜
mask = np.zeros(img.shape[:2], np.uint8) # 创建一个全零的图像，大小和原图像一样，数据类型为uint8
# 创建前景和背景模型
bgd_model = np.zeros((1, 65), np.float64) # 初始化背景模型。 使用高斯混合模型 存储背景信息
fgd_model = np.zeros((1, 65), np.float64)# 初始化背前景模型。 使用高斯混合模型 存储背景信息# GreabCut算法
cv2.grabCut(img,mask, rect, bgd_model,fgd_model,5, cv2.GC_INIT_WITH_RECT)# 0 确定的背景 1 确定前景 2 可能背景 3 可能前景
# 生成最终的掩膜 uint8 8位无符号整数
# # mask = [[0,1,2],[3,0,1]] 变成 [[0,1,0],[1,0,1]]
mask2 = np.where((mask==2)|(mask==0),0,1).astype('uint8')# 将掩膜应用到原图像上
# 维度不匹配 （400,600,1）
result = img * mask2[:, :, np.newaxis] # 将掩膜应用到原图像上，np.newaxis增加一个维度cv2.imshow('img',img)
cv2.imshow('result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()实现了一个基于GrabCut算法的图像分割功能，能够从背景中提取用户指定的前景目标。整个过程可以分为几个关键步骤：首先通过交互式方式让用户选择目标区域，然后利用机器学习算法自动完成精细分割，最后输出分割结果。
在初始阶段，代码会加载图像并创建一个副本用于交互操作。通过调用selectROI函数，系统会弹出一个交互窗口，用户可以用鼠标拖拽的方式框选目标物体。这个矩形区域会被记录下来，作为后续分割的初始输入。为了进行图像分割，代码需要准备三个关键数据结构：一个全零的掩膜矩阵用于记录像素分类结果，以及两个65维的浮点数组作为前景和背景的高斯混合模型参数。
核心处理阶段调用grabCut函数执行实际的分割算法。该函数会根据用户提供的矩形区域，对图像像素进行初步分类：矩形外标记为确定背景，矩形内标记为可能前景。通过5次迭代优化，算法会不断调整分类结果，逐步精确目标边界。在掩膜处理环节，代码将所有背景类像素（包括确定背景和可能背景）统一标记为0，前景类像素标记为1，生成一个二值掩膜。
最终输出阶段，这个二值掩膜被应用到原始图像上。通过增加维度使掩膜与彩色图像对齐，然后进行逐像素乘法运算，保留前景区域的原始颜色，将背景区域置为黑色。程序最后会并列显示原始图像和分割结果，用户可以通过观察结果评估分割质量。如果效果不理想，可以调整初始选择区域或手动修改掩膜后重新运行算法。整个过程结合了用户交互和自动计算，能够有效地从复杂背景中提取目标对象。
