0. 前言

图像分割是计算机视觉中将像素划分为具有特定语义或结构的区域。面对目标紧密相连或前景背景对比不明显的复杂场景，仅凭简单的阈值往往捉襟见肘。本文深入讲解并演示了三种经典而高效的分割方法——分水岭算法借鉴地形水漫模型精准分离粘连目标，GrabCut 交互式抠图通过最小割迭代优化实现细节丰富的前景提取，以及 FloodFill 以种子点为起点快速覆盖同质区域。

1. 分水岭算法

将灰度图看作地形高程图，把“低谷”视为种子点，利用梯度图构造“水漫”过程，最终在“山脊线”处形成分割边界，适合处理前景连通但边界黯淡的场景。

1.1 应用场景

• 重叠目标分离：当前景对象相互粘连时（如重叠的硬币、细胞团），分水岭能精确沿“山脊”将它们分开
• 纹理分割：结合梯度图，能处理前景背景亮度相近但纹理不同的场景
• 预分割：常作为后续目标检测或特征提取的预处理步骤，提供连通组件

1.2 实现过程

• 读取图像与预处理
  • 转灰度并做高斯模糊，减少噪声
  • 计算梯度图 (Sobel 或 Laplacian) 以突出边缘
• 二值化与距离变换
  • 对图像做阈值化，得到粗略二值前景
  • 对前景做距离变换并归一化
• 标记种子区域
  • 对距离变换结果做阈值，提取“确实前景”作为种子标记
  • 将未知区域标为 0，背景标为 1
• 调用分水岭
  • cv2.watershed 会修改标记矩阵，将边界点标记为 –1
  • 在原图上将边界涂为红色

import cv2
import numpy as np# 1. 读取与预处理
img = cv2.imread('2.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)# 2. 梯度与二值化
grad = cv2.Laplacian(blur, cv2.CV_8U, ksize=3)
_, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)# 3. 距离变换与种子标记
dist = cv2.distanceTransform(binary, cv2.DIST_L2, 5)
_, fg = cv2.threshold(dist, 0.4 * dist.max(), 255, 0)
fg = np.uint8(fg)
bg = cv2.dilate(binary, np.ones((3,3), np.uint8), iterations=3)
unknown = cv2.subtract(bg, fg)# 4. 连通组件与标记
_, markers = cv2.connectedComponents(fg)
markers = markers + 1           # 背景标记为 1
markers[unknown == 255] = 0     # 未知区域标记为 0# 5. 分水岭
markers = cv2.watershed(img, markers)
output = img.copy()
output[markers == -1] = [0, 0, 255]  # 边界标红cv2.imshow('Watershed Segmentation', output)
cv2.waitKey(0)
cv2.destroyAllWindows()

关键函数解析：

• cv2.distanceTransform(src, distType, maskSize)：计算二值图中每个前景像素到最近背景的距离，用于挖掘前景核心区域
• cv2.connectedComponents(src)：对前景二值图进行连通组件标记，生成初始标记矩阵
• cv2.watershed(image, markers)：以 markers 为种子，在彩色图像上执行分水岭算法，输出带边界的标记图

2. GrabCut 交互式分割

GrabCut 利用图割 (Graph Cut) 模型结合少量用户标注(矩形或前景/背景涂抹)，自动学习前景与背景像素分布，实现高质量分割，适合人物/物体抠图。

2.1 应用场景

• 半自动抠图：用户只需框选对象，后续可用笔刷细化边缘，比如头发、树叶等复杂轮廓
• 视频抠像：在关键帧交互后，将模型应用于相邻帧，实现半自动背景替换
• 图形编辑工具：集成 GrabCut，让非专业用户也能轻松抠图

2.2 实现过程

• 读取图像与定义感兴趣区域 (Region of Interest, ROI)
  • 用户给定一个大致含前景的矩形框 rect
• 初始化掩码与模型
  • mask 初始化为全 “可能背景”
  • bgModel 与 fgModel 用于内部高斯混合模型 (Gaussian Mixture Model, GMM)
• 调用 GrabCut
  • cv2.grabCut 根据 rect 或用户刷涂的 mask 迭代优化
  • 模型会不断更新前景/背景分布
• 提取结果
  • 将 mask 中标记为前景/可能前景的像素保留，其余设为背景

import cv2
import numpy as npimg = cv2.imread('2.jpeg')
mask = np.zeros(img.shape[:2], np.uint8)# 1. 用户定义矩形 ROI (x,y,w,h)
rect = (50, 50, img.shape[1]-100, img.shape[0]-100)# 2. 初始化模型
bgModel = np.zeros((1,65), np.float64)
fgModel = np.zeros((1,65), np.float64)# 3. 执行 GrabCut
cv2.grabCut(img, mask, rect, bgModel, fgModel, 5, cv2.GC_INIT_WITH_RECT)# 4. 构建前景掩码并应用
mask2 = np.where((mask==cv2.GC_FGD)|(mask==cv2.GC_PR_FGD),255,0).astype('uint8')
result = cv2.bitwise_and(img, img, mask=mask2)cv2.imshow('GrabCut Result', result)
cv2.waitKey(0)
cv2.destroyAllWindows()

关键函数解析：

• cv2.grabCut(img, mask, rect, bgdModel, fgdModel, iterCount, mode)：在指定 rect 区域或已有 mask 上运行 GrabCut
  • mode=cv2.GC_INIT_WITH_RECT：使用矩形初始化
  • mode=cv2.GC_INIT_WITH_MASK：根据用户细化涂抹结果再运行
• mask 标签值：GC_BGD(0), GC_FGD(1), GC_PR_BGD(2), GC_PR_FGD(3)，可提取出最终前景

3. FloodFill

FloodFill 从给定种子点开始，将相似像素“漫水填充”到边界，可用于区域生长、缺陷检测与交互式标注。

3.1 应用场景

• 缺陷检测：从划痕起点填充，快速定位裂纹区域
• 交互式分割：点击图像生成精确区域掩码，配合 GrabCut 等方法
• 色块分割：在质感均匀的背景或卡通图像中，快速提取色块

3.2 实现过程

• 读取图像
• 指定种子点 (x, y)
• 设置填充参数
  • loDiff / upDiff：允许填充的像素与种子点最大差异
  • flags：控制填充方式、掩码使用
• 调用 FloodFill
  • 返回填充后的像素数与更新后的图像

import cv2
import numpy as npimg = cv2.imread('1.jpeg')
h, w = img.shape[:2]# 1. 构建掩码，需比原图多两像素边缘
mask = np.zeros((h+2, w+2), np.uint8)# 2. 漫水填充参数
seed_point = (700, 500)
newVal = (0, 0, 255)      # 填充颜色：红色
loDiff = (20, 20, 20)     # 下限差异
upDiff = (20, 20, 20)     # 上限差异
flags = 4 | cv2.FLOODFILL_FIXED_RANGE | (255<<8)# 3. 执行 FloodFill
num, img_flood, mask, rect = cv2.floodFill(img.copy(), mask, seed_point,newVal, loDiff, upDiff, flags)cv2.imshow('FloodFill Result', img_flood)
cv2.waitKey(0)
cv2.destroyAllWindows()

关键函数解析

• cv2.floodFill(image, mask, seedPoint, newVal, loDiff, upDiff, flags)：从 seedPoint 开始填充，loDiff / upDiff 控制像素相似度
• flags 参数含义：
  • cv2.FLOODFILL_FIXED_RANGE：像素差异相对种子点
  • cv2.FLOODFILL_MASK_ONLY：仅更新 mask

小结

本节从分水岭的高程地图思路切入，讲解如何借助距离变换与连通组件构建水漫分割，再通过 GrabCut 的图割模型与用户交互实现更高精度的前景去背，最后以 FloodFill 的种子驱动方式演示快速区域生长。三者各有侧重，却可互为补充：分水岭适合自动化预分割，GrabCut 适合复杂边缘细化，FloodFill 则胜在简单直观和交互式应用。

系列链接

OpenCV计算机视觉实战（1）——计算机视觉简介
OpenCV计算机视觉实战（2）——环境搭建与OpenCV简介
OpenCV计算机视觉实战（3）——计算机图像处理基础
OpenCV计算机视觉实战（4）——计算机视觉核心技术全解析
OpenCV计算机视觉实战（5）——图像基础操作全解析
OpenCV计算机视觉实战（6）——经典计算机视觉算法
OpenCV计算机视觉实战（7）——色彩空间详解
OpenCV计算机视觉实战（8）——图像滤波详解
OpenCV计算机视觉实战（9）——阈值化技术详解
OpenCV计算机视觉实战（10）——形态学操作详解
OpenCV计算机视觉实战（11）——边缘检测详解
OpenCV计算机视觉实战（12）——图像金字塔与特征缩放
OpenCV计算机视觉实战（13）——轮廓检测详解
OpenCV计算机视觉实战（14）——直方图均衡化
OpenCV计算机视觉实战（15）——霍夫变换详解