Python案例如何用OpenCV做图像分割

wen python案例 2026-07-16 2

Python案例教你用OpenCV做图像分割（附完整代码）

目录导读

图像分割是什么？为什么用OpenCV？
环境搭建与核心库导入
基于阈值的分割（Otsu算法）
边缘检测分割（Canny算子）
分水岭算法分割（Watershed）
K-Means聚类分割
常见问题与优化技巧（FAQ）
总结与进阶方向

图像分割是什么？为什么用OpenCV？

图像分割是计算机视觉的核心任务之一，旨在将图像划分为多个具有语义意义的区域（如前景与背景、不同物体），它在自动驾驶、医学影像分析、工业质检等领域至关重要。

Python案例如何用OpenCV做图像分割

问：为什么不直接用深度学习？
答：对于中小型项目或资源受限场景，OpenCV提供的传统方法（阈值、边缘、聚类）速度快、可解释性强,且无需大量标注数据。

Python+OpenCV组合因其轻量、跨平台、社区成熟，成为入门图像分割的首选工具，本文将通过四个经典案例,手把手带你掌握图像分割的实战技巧。

环境搭建与核心库导入

必备库安装

pip install opencv-python numpy matplotlib scikit-learn

代码模板

import cv2
import numpy as np
import matplotlib.pyplot as plt
def show_images(images, titles, cols=2):
    """辅助显示多张图像"""
    rows = (len(images) + cols - 1) // cols
    plt.figure(figsize=(12, 6))
    for i, (img, title) in enumerate(zip(images, titles)):
        plt.subplot(rows, cols, i+1)
        plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB) if len(img.shape)==3 else img, cmap='gray')
        plt.title(title)
        plt.axis('off')
    plt.tight_layout()
    plt.show()

注：所有案例均使用经典测试图 coins.jpg（硬币分割）,可从OpenCV官方库获取或自行准备简单图像。

案例一：基于阈值的分割（Otsu算法）

核心原理

当图像直方图呈双峰分布时（如暗背景+亮物体）,Otsu自动寻找最佳阈值使类间方差最大。

完整代码

img = cv2.imread('coins.jpg', 0)  # 灰度读取
# 高斯滤波去噪
blurred = cv2.GaussianBlur(img, (5,5), 0)
# Otsu阈值分割
_, binary = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
show_images([img, binary], ['原图', 'Otsu分割结果'])

效果优化

预处理：适当高斯模糊可消除噪声,避免伪分割。
局限性：光照不均时效果差，需配合自适应阈值（如cv2.adaptiveThreshold）。

问：Otsu为何对光照敏感？
答：Otsu假设全局单一阈值，若图像存在渐变阴影（如边缘暗中心亮），直方图不再是双峰,需改用局部阈值方法。

案例二：边缘检测分割（Canny算子）

核心原理

通过梯度计算找到像素突变点，再通过双阈值连接边缘,形成封闭轮廓。

完整代码

# 边缘检测
edges = cv2.Canny(blurred, 30, 150)  # 参数：低阈值、高阈值
# 边缘填充轮廓（可选）
kernel = np.ones((3,3), np.uint8)
dilated = cv2.dilate(edges, kernel, iterations=1)
show_images([img, edges, dilated], ['原图', 'Canny边缘', '膨胀后边缘'])

参数调优指南

低阈值：控制弱边缘的灵敏度,过低会引入噪声。
高阈值：确定强边缘,过高会丢失细节。
经验公式：高阈值≈低阈值×2~3倍。

问：如何自动选择阈值？
答：可用cv2.medianBlur配合Otsu计算梯度幅值的统计值,详见OpenCV官方文档。

案例三：分水岭算法分割（Watershed）

核心原理

将图像看作地形图，灰度值视为海拔，从标记点开始“注水”,不同水域交汇处即为分割边界。

完整代码（硬币分割实战）

# 1. 二值化
_, thresh = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
# 2. 确定前景（硬币区域）
dist = cv2.distanceTransform(thresh, cv2.DIST_L2, 5)
_, sure_fg = cv2.threshold(dist, 0.5*dist.max(), 255, 0)
sure_fg = np.uint8(sure_fg)
# 3. 确定背景
kernel = np.ones((3,3), np.uint8)
sure_bg = cv2.dilate(thresh, kernel, iterations=3)
# 4. 标记未知区域
unknown = cv2.subtract(sure_bg, sure_fg)
# 5. 创建标记并应用分水岭
_, markers = cv2.connectedComponents(sure_fg)
markers = markers + 1  # 背景标记设为1
markers[unknown == 255] = 0  # 未知区域标记为0
markers = cv2.watershed(cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), markers)
# 6. 可视化分割边界
img_seg = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)
img_seg[markers == -1] = [0, 0, 255]  # 边界标红
show_images([img, thresh, sure_fg, img_seg], 
            ['原图', '二值化', '确定前景', '分水岭分割结果'])

踩坑提醒

过度分割：可通过形态学操作（开运算）减少噪声标记。
标记点不足：若硬币堆叠，需用cv2.erode分离粘连物体。

问：分水岭算法适合什么场景？
答：适合物体边缘模糊但轮廓明显的图像（如细胞核分割）,对噪声敏感需预处理。

案例四：K-Means聚类分割

核心原理

将每个像素的RGB值视为三维空间中的点，通过K-Means聚类将像素分为K类。

完整代码

# 将图像转为数据矩阵
img_color = cv2.imread('coins.jpg')
data = img_color.reshape((-1, 3)).astype(np.float32)
# K-Means聚类（K=2，分为前景和背景）
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
_, labels, centers = cv2.kmeans(data, 2, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
# 重建分割图像
centers = np.uint8(centers)
segmented = centers[labels.flatten()].reshape(img_color.shape)
show_images([img_color, segmented], ['原图', f'K-Means分割 (K=2)'])