97 个 OpenCV 实例（十四）：图像分割，GrabCut 抠图 + inpaint 去水印

上一篇让程序「盯住」了运动的东西。这一篇换两个反方向的活------一个把前景从背景里抠出来，一个把划痕水印填回去。图像分割和图像修复，看起来一进一出，其实用的是同一套底层思想：让程序理解「这块像素属于哪」。而 OpenCV 里这两个功能的代表作，就是 GrabCut 和 inpaint。

一、效果先行

先看抠图。左边原图用绿框框住球员，右边三种配置的抠图结果------第一张 1 次迭代还残留着黑色块状伪影，第二张 5 次迭代干净了但足球被当成背景丢了，第三张手动涂了几笔后足球保住了：

再看去水印。我在水果图上程序化划了三条划痕、盖了一个水印块，然后让两种算法各自修复：左边 TELEA、中间 NS，几乎看不出差别，右边是把修复误差放大 10 倍的热图------划痕处最亮，说明那里最难修：

两张图记住两件事：GrabCut 的矩形框和掩码两种玩法结果可能完全不同；inpaint 只能「糊」不能「还原」。

二、GrabCut：把图「割」成两块

GrabCut 名字里的「Cut」是图割（Graph Cut）。它把整幅图像建模成一张图：每个像素是一个节点，相邻像素之间连边，每个像素还和「前景」「背景」两个虚拟终点各连一条边。边的权重编码了像素间的颜色相似度和「它更像前景还是背景」的先验。

然后做最小割------找一组边，切断后把图分成前景、背景两块，且割掉的边总权重最小。翻译成人话：前景和背景的边界，恰好落在颜色差异最大的地方。

OpenCV 的实现里，前景和背景的颜色分布各自用一个高斯混合模型（GMM）建模。它不停循环「用当前分割结果重新估计 GMM → 用新 GMM 重新切图」，迭代次数越多，边界越精细。

三、矩形框 vs 掩码：足球去哪了

GrabCut 有两种初始化方式，这是本课最有意思的区别：

cpp 复制代码

// 方式一：矩形框初始化（最省事，用户框一下就行）
grabCut(img, mask, rect, bgdModel, fgdModel, 5, GC_INIT_WITH_RECT);
// 框外自动当背景，框内当"可能前景"，靠 GMM 自动分辨

// 方式二：掩码初始化（手动涂前景/背景笔刷）
grabCut(img, mask, rect, bgdModel, fgdModel, 5, GC_INIT_WITH_MASK);
// mask 里已经标好了确定前景/确定背景，算法按这些种子分割

回到效果图，那个黄色足球就是关键线索：矩形框模式下，足球是黄色的、亮度高，和背景看台、草地颜色都不像，但 GMM 没有任何「足球是前景」的先验，直接把它归到了背景------颜色分割对「和背景撞色」的前景无能为力。而掩码模式手动在球衣上涂几笔前景、草地上涂几笔背景，等于给算法注入硬约束，足球就保住了。

这就是两种方式的取舍：矩形框全自动但可能误判，掩码要人工交互但更准。

四、inpaint：去水印的两种算法

inpaint 的思路很朴素：用损伤区域周围的像素「填充」损伤区。划痕、水印、遮挡，都能修。OpenCV 给了两种算法：

cpp 复制代码

inpaint(damaged, mask, telea, 3, INPAINT_TELEA); // 快速行进法
inpaint(damaged, mask, ns,     3, INPAINT_NS);    // Navier-Stokes

TELEA（快速行进法）从损伤边缘向内推进，用「到边界的距离」加权邻近像素填充，快而简单。NS 把图像强度当流体，沿等照度线（等亮度线）方向传播信息，对直线边缘更平滑。

mask 是关键------白色区域就是要修的地方。所以我先程序化画了三条划痕加一个水印块，图和 mask 同步画，这样损伤位置是「已知的」，修完能精确对账：

五、实测对账

这系列一直坚持「已知值 vs 检测值」的对账，这次也不例外：

GrabCut 三种配置的前景像素占比------矩形框 1 次迭代 0.133，5 次迭代 0.112，掩码 5 次迭代 0.114。从 0.133 降到 0.112，是 GMM 在迭代中把「框内误入的背景」一点点修正掉。

inpaint 的修复质量用 PSNR 衡量（越高越好，40 dB 以上视觉无损）。损伤区域的 PSNR：TELEA 22.43 dB，NS 22.35 dB，几乎打平。但注意------全图 PSNR 高达 35.6 dB，因为损伤区只占一小部分，大部分像素没动，这个数字是虚高的。评估修复质量，一定要看损伤区域的 PSNR。

22 dB 偏低，意味着有明显的涂抹痕迹。这正好印证了 inpaint 的本质：它只能「糊过去」，恢复不出水果果肉那种高频纹理。大块遮挡，还是要靠深度学习修复。

六、踩坑记录

坑	现象	原因	正确姿势
grabCut 掩码几乎全黑	当二值图显示啥都看不见	mask 值是 0/1/2/3 四类标签，不是 0/255	用 `(mask==GC_FGD)
手动预置 mask 失效	涂的笔刷没起作用	GC_INIT_WITH_RECT 会覆盖预置 mask	想用笔刷必须走 GC_INIT_WITH_MASK
inpaint 编译报错	未声明	inpaint 在 photo 模块不在 imgproc	`#include <opencv2/photo.hpp>`
PSNR 虚高	修复看着差但分数高	全图算把没动的像素也算进去	用 mask 限定只算损伤区

七、AI 与 LLM Wiki：这一课沉淀了什么

LLM Wiki 从 20 页涨到 22 页，这一课新增「图像分割：GrabCut图割」和「图像修复：inpaint去水印」两个概念页，沉淀了图割最小割思想、GMM 迭代、两种初始化模式的区别、以及「损伤区 PSNR 对账」这个验证方法。四张截图归档进素材目录，进度表上 grabcut 和 inpaint 勾选完成，从 26 个变成 28 个，进度 29%。

这一课最值得进知识库的，是「用已知损伤对账」这个方法论------不是肉眼看图说「修得不错」，而是先制造已知损伤，再算 PSNR 精确度量。这种「造一个已知问题去验证解法」的思路，比 GrabCut 和 inpaint 本身的 API 更值钱。

写在最后

97 个实例，今天完成第 28 个，进度 29%。图像分割这一站，GrabCut 给了「全局图割」的分割思路，inpaint 给了「周边填充」的修复思路，一进一出，把「这块像素属于哪」这个核心问题讲透了。

下一篇做几何校正------透视变换（warpPerspective）和 ECC 图像对齐，一个是文档扫描矫正，一个是亚像素配准。到时候见。