0. 前言

圖像分割是計算機視覺中將像素劃分為具有特定語義或結構的區域。面對目標緊密相連或前景背景對比不明顯的復雜場景，僅憑簡單的閾值往往捉襟見肘。本文深入講解并演示了三種經典而高效的分割方法——分水嶺算法借鑒地形水漫模型精準分離粘連目標，GrabCut 交互式摳圖通過最小割迭代優化實現細節豐富的前景提取，以及 FloodFill 以種子點為起點快速覆蓋同質區域。

1. 分水嶺算法

將灰度圖看作地形高程圖，把“低谷”視為種子點，利用梯度圖構造“水漫”過程，最終在“山脊線”處形成分割邊界，適合處理前景連通但邊界黯淡的場景。

1.1 應用場景

• 重疊目標分離：當前景對象相互粘連時（如重疊的硬幣、細胞團），分水嶺能精確沿“山脊”將它們分開
• 紋理分割：結合梯度圖，能處理前景背景亮度相近但紋理不同的場景
• 預分割：常作為后續目標檢測或特征提取的預處理步驟，提供連通組件

1.2 實現過程

• 讀取圖像與預處理
  • 轉灰度并做高斯模糊，減少噪聲
  • 計算梯度圖 (Sobel 或 Laplacian) 以突出邊緣
• 二值化與距離變換
  • 對圖像做閾值化，得到粗略二值前景
  • 對前景做距離變換并歸一化
• 標記種子區域
  • 對距離變換結果做閾值，提取“確實前景”作為種子標記
  • 將未知區域標為 0，背景標為 1
• 調用分水嶺
  • cv2.watershed 會修改標記矩陣，將邊界點標記為 –1
  • 在原圖上將邊界涂為紅色

import cv2
import numpy as np# 1. 讀取與預處理
img = cv2.imread('2.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (5, 5), 0)# 2. 梯度與二值化
grad = cv2.Laplacian(blur, cv2.CV_8U, ksize=3)
_, binary = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)# 3. 距離變換與種子標記
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. 連通組件與標記
_, markers = cv2.connectedComponents(fg)
markers = markers + 1           # 背景標記為 1
markers[unknown == 255] = 0     # 未知區域標記為 0# 5. 分水嶺
markers = cv2.watershed(img, markers)
output = img.copy()
output[markers == -1] = [0, 0, 255]  # 邊界標紅cv2.imshow('Watershed Segmentation', output)
cv2.waitKey(0)
cv2.destroyAllWindows()

關鍵函數解析：

• cv2.distanceTransform(src, distType, maskSize)：計算二值圖中每個前景像素到最近背景的距離，用于挖掘前景核心區域
• cv2.connectedComponents(src)：對前景二值圖進行連通組件標記，生成初始標記矩陣
• cv2.watershed(image, markers)：以 markers 為種子，在彩色圖像上執行分水嶺算法，輸出帶邊界的標記圖

2. GrabCut 交互式分割

GrabCut 利用圖割 (Graph Cut) 模型結合少量用戶標注(矩形或前景/背景涂抹)，自動學習前景與背景像素分布，實現高質量分割，適合人物/物體摳圖。

2.1 應用場景

• 半自動摳圖：用戶只需框選對象，后續可用筆刷細化邊緣，比如頭發、樹葉等復雜輪廓
• 視頻摳像：在關鍵幀交互后，將模型應用于相鄰幀，實現半自動背景替換
• 圖形編輯工具：集成 GrabCut，讓非專業用戶也能輕松摳圖

2.2 實現過程

• 讀取圖像與定義感興趣區域 (Region of Interest, ROI)
  • 用戶給定一個大致含前景的矩形框 rect
• 初始化掩碼與模型
  • mask 初始化為全 “可能背景”
  • bgModel 與 fgModel 用于內部高斯混合模型 (Gaussian Mixture Model, GMM)
• 調用 GrabCut
  • cv2.grabCut 根據 rect 或用戶刷涂的 mask 迭代優化
  • 模型會不斷更新前景/背景分布
• 提取結果
  • 將 mask 中標記為前景/可能前景的像素保留，其余設為背景

import cv2
import numpy as npimg = cv2.imread('2.jpeg')
mask = np.zeros(img.shape[:2], np.uint8)# 1. 用戶定義矩形 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. 執行 GrabCut
cv2.grabCut(img, mask, rect, bgModel, fgModel, 5, cv2.GC_INIT_WITH_RECT)# 4. 構建前景掩碼并應用
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()

關鍵函數解析：

• cv2.grabCut(img, mask, rect, bgdModel, fgdModel, iterCount, mode)：在指定 rect 區域或已有 mask 上運行 GrabCut
  • mode=cv2.GC_INIT_WITH_RECT：使用矩形初始化
  • mode=cv2.GC_INIT_WITH_MASK：根據用戶細化涂抹結果再運行
• mask 標簽值：GC_BGD(0), GC_FGD(1), GC_PR_BGD(2), GC_PR_FGD(3)，可提取出最終前景

3. FloodFill

FloodFill 從給定種子點開始，將相似像素“漫水填充”到邊界，可用于區域生長、缺陷檢測與交互式標注。

3.1 應用場景

• 缺陷檢測：從劃痕起點填充，快速定位裂紋區域
• 交互式分割：點擊圖像生成精確區域掩碼，配合 GrabCut 等方法
• 色塊分割：在質感均勻的背景或卡通圖像中，快速提取色塊

3.2 實現過程

• 讀取圖像
• 指定種子點 (x, y)
• 設置填充參數
  • loDiff / upDiff：允許填充的像素與種子點最大差異
  • flags：控制填充方式、掩碼使用
• 調用 FloodFill
  • 返回填充后的像素數與更新后的圖像

import cv2
import numpy as npimg = cv2.imread('1.jpeg')
h, w = img.shape[:2]# 1. 構建掩碼，需比原圖多兩像素邊緣
mask = np.zeros((h+2, w+2), np.uint8)# 2. 漫水填充參數
seed_point = (700, 500)
newVal = (0, 0, 255)      # 填充顏色：紅色
loDiff = (20, 20, 20)     # 下限差異
upDiff = (20, 20, 20)     # 上限差異
flags = 4 | cv2.FLOODFILL_FIXED_RANGE | (255<<8)# 3. 執行 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()

關鍵函數解析

• cv2.floodFill(image, mask, seedPoint, newVal, loDiff, upDiff, flags)：從 seedPoint 開始填充，loDiff / upDiff 控制像素相似度
• flags 參數含義：
  • cv2.FLOODFILL_FIXED_RANGE：像素差異相對種子點
  • cv2.FLOODFILL_MASK_ONLY：僅更新 mask

小結

本節從分水嶺的高程地圖思路切入，講解如何借助距離變換與連通組件構建水漫分割，再通過 GrabCut 的圖割模型與用戶交互實現更高精度的前景去背，最后以 FloodFill 的種子驅動方式演示快速區域生長。三者各有側重，卻可互為補充：分水嶺適合自動化預分割，GrabCut 適合復雜邊緣細化，FloodFill 則勝在簡單直觀和交互式應用。

系列鏈接

OpenCV計算機視覺實戰（1）——計算機視覺簡介
OpenCV計算機視覺實戰（2）——環境搭建與OpenCV簡介
OpenCV計算機視覺實戰（3）——計算機圖像處理基礎
OpenCV計算機視覺實戰（4）——計算機視覺核心技術全解析
OpenCV計算機視覺實戰（5）——圖像基礎操作全解析
OpenCV計算機視覺實戰（6）——經典計算機視覺算法
OpenCV計算機視覺實戰（7）——色彩空間詳解
OpenCV計算機視覺實戰（8）——圖像濾波詳解
OpenCV計算機視覺實戰（9）——閾值化技術詳解
OpenCV計算機視覺實戰（10）——形態學操作詳解
OpenCV計算機視覺實戰（11）——邊緣檢測詳解
OpenCV計算機視覺實戰（12）——圖像金字塔與特征縮放
OpenCV計算機視覺實戰（13）——輪廓檢測詳解
OpenCV計算機視覺實戰（14）——直方圖均衡化
OpenCV計算機視覺實戰（15）——霍夫變換詳解