OpenCV 从零学习 · 第 19 讲：图像分割
函数：cv2.grabCut / cv2.watershed ｜ 难度：★★★☆☆
前面都是"检测/定位"，本讲进入把像素分成前景/背景的分割。GrabCut 做"交互式抠图"（给个框就抠出框内主体），分水岭做"粘连物体分离"（把挨在一起的一堆硬币各自切开）。
一、GrabCut 一键抠图
mask = np.zeros(img.shape[:2], np.uint8)
bgd = np.zeros((1,65), np.float64)
fgd = np.zeros((1,65), np.float64)
rect = (50, 50, 400, 300) # 框住主体的矩形 (x,y,w,h)
cv2.grabCut(img, mask, rect, bgd, fgd, 5, cv2.GC_INIT_WITH_RECT)
mask2 = np.where((mask==2)|(mask==0), 0, 1).astype('uint8')
result = img * mask2[:,:,np.newaxis]| 参数 | 含义 |
mask | 单通道掩膜，初始化全 0 |
rect | 包含主体的矩形（初始化用） |
iterCount | 迭代次数，如 5 |
mode | GC_INIT_WITH_RECT 用矩形初始化 |
mask 取值：0=确定背景，1=确定前景，2=可能背景，3=可能前景。抠图时把 0/2（背景）置 0、1/3（前景）置 1 即得主体。
场景 A · 商品图快速抠底
给个大致矩形框住商品，GrabCut 自动把商品从背景里分离，得到去背图——电商抠图的最简方案（比纯阈值更准，能处理头发边缘）。
给个大致矩形框住商品，GrabCut 自动把商品从背景里分离，得到去背图——电商抠图的最简方案（比纯阈值更准，能处理头发边缘）。
二、分水岭分离粘连物体
# markers: 已标注的种子图，int32，背景=0，不同物体标 1,2,3...
markers = cv2.watershed(img, markers)
img[markers == -1] = [0, 0, 255] # 边界标红分水岭要求你先给"种子标记"（哪些像素一定属于哪个物体/背景），它从种子向外"漫水"分割。常用套路：阈值+形态学得到确定前景，连通域给每个物体不同标号当种子。
场景 B · 重叠硬币/细胞计数
一堆挨在一起的硬币，单纯轮廓会把它们当成一个。用分水岭给每个硬币"注水"切开，再分别计数——显微镜细胞计数同理。
一堆挨在一起的硬币，单纯轮廓会把它们当成一个。用分水岭给每个硬币"注水"切开，再分别计数——显微镜细胞计数同理。
⚠ 新手必踩坑
- GrabCut 的
mask必须是uint8且尺寸同原图；bgdModel/fgdModel按上述形状建，别填错维度。 - GrabCut 只是"近似抠图"，复杂边缘（毛发透明）不完美，需配合精细 matting 进阶。
- 分水岭的
markers必须是 int32 且 -1 表示边界；种子给不准（没有可靠前景）会分割崩坏。 - 分水岭对噪声敏感，正式用前通常要
distanceTransform+ 阈值来生成靠谱种子（进阶内容）。
本讲要点
- GrabCut：给矩形框 → 自动抠前景，mask 值 0/2 背景、1/3 前景。
- 分水岭：需先给种子标记（int32），用于分离粘连物体。
- 两者都是"分割"而非"检测"，输出是逐像素的前景/背景标签。
下一讲（收官）：第 20 讲 · 透视变换与文档矫正（getPerspectiveTransform / warpPerspective）——把拍歪的文档/名片矫正成正视图，给本系列一个实用的"毕业项目"。
