影象分割可以理解為：提取影象的感興趣區域，可以分為兩部分：

第一步：獲取mask區域：defgenerateMask(img):

def generateMask(img):    
    blured_img = getBlurImage(img) #①對影象進行高斯平滑濾波
 
    filtered_img = getFilterImage(blured_img) #②對影象進行通用的2D濾波
    opening_img = getOpeningImage(filtered_img) #③對影象進行開運算
    closing_img = getClosingImage(opening_img) #④對影象進行閉運算

    canny_edge_img = autoCannyEdgeDetection(closing_img) #⑤使用cv2.canny進行邊緣檢測
    contours, contour_img = getContourImage(canny_edge_img) #⑥使用cv2.findContours尋找邊緣輪廓
    binary_line_img = drawLines(contour_img, contours) # ⑦繪製最小輪廓
    dilation_img = getDilationImage(binary_line_img) #⑧對最小輪廓影象進行膨脹處理

    return dilation_img
 

附函式：

①：對影象進行高斯平滑濾波

def getBlurImage(img):
     blur = cv2.GaussianBlur(img, (5, 5), 0)
     return blur

②：對影象進行通用的2D濾波

def getFilterImage(img):
    kernel = np.ones((5, 5), np.float32) / 25
    filtered = cv2.filter2D(img, -1, kernel)
    return filtered

③：對影象進行開運算

def getOpeningImage(img):
    kernel = np.ones((35,35),np.uint8)
    opening = cv2.morphologyEx(img, cv2.MORPH_OPEN, kernel)
    return opening
 

④：對影象進行閉運算

def getClosingImage(img):
    kernel = np.ones((35,35),np.uint8)
    closing = cv2.morphologyEx(img, cv2.MORPH_CLOSE, kernel)
    return closing

⑤：使用cv2.canny進行邊緣檢測

def autoCannyEdgeDetection(img, sigma = 0.7):
	v = np.median(img)
	lower = int(max(0, (1.0 - sigma) * v))
	upper = int(min(255, (1.0 + sigma) * v))
	edged = cv2.Canny(img, 245, 255)
	return edged
 

⑥：使用cv2.findContours尋找邊緣輪廓

def getContourImage(img):
    im2, contours, hierarchy = cv2.findContours(img,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

    mask = np.zeros(img.shape, np.uint8)
    cv2.drawContours(mask, contours, -1, (255,255,255), 5)

    return contours, mask

⑦：繪製最小輪廓

def drawLines(img, contours):
    cnt = contours[0]
    (x,y),radius = cv2.minEnclosingCircle(cnt)
    center = (int(x),int(y))

    mask = np.zeros(img.shape, np.uint8)
    cnt_points = []

    for cnt in contours:
        for pts in cnt:
            cnt_points.append(pts[0])

    cnt_points = np.array(cnt_points)

    for i in range(len(cnt_points)):
        cv2.line(mask,center,(cnt_points[i,0], cnt_points[i,1]),(255,255,255),5)

    return mask

⑧：對最小輪廓影象進行膨脹處理

def getDilationImage(img):
    kernel = np.ones((50,50),np.uint8)
    dilation = cv2.dilate(img, kernel, iterations = 1)
    return dilation

第二步：獲取ROI區域：defextractRegion(img, mask):

其中，第二步的操作就是對img與mask進行的影象與運算。

def extractRegion(img, mask):
    processed_img = cv2.bitwise_and(img, img, mask = mask)
    return processed_img

補充：影象算數與邏輯運算

1、add---影象矩陣相加:def add(src1, src2, dst=None, mask=None, dtype=None) #影象的畫素值增大

PS：src1：影象矩陣1，src2：影象矩陣2，dst：預設選項，mask：預設選項，dtype：預設選項。

2、subtract---影象矩陣相減：defsubtract(src1, src2, dst=None, mask=None, dtype=None)#影象的畫素值減小

3、bitwise_and—影象與運算：defbitwise_and(src1, src2, dst=None, mask=None)#求兩影象的交集

4、bitwise_or—影象或運算：defbitwise_or(src1, src2, dst=None, mask=None) #求兩影象的並集

5、bitwise_xor—影象異或運算：defbitwise_xor(src1, src2, dst=None, mask=None) #求兩影象的並集-交集

6、bitwise_not—影象非運算：defbitwise_not(src1, src2, dst=None, mask=None) #求影象的反（畫素值的對調：意思就是原先的0換為1，原先的1換為0）