简介基于Python3.6与OpenCV3实现的活动轮廓分割示例以RSF模型为主线面向需要处理复杂边界或模糊边缘图像的开发者。该方法将区域信息与边缘信息融合进能量函数通过水平集演化逼近目标轮廓。压缩包内共2个文件含主程序RSF.py和测试图像1.bmp大小仅5KB结构清晰便于直接运行与改造。目前已有1102人学习/下载适合从入门到进阶的实战参考。代码完整覆盖了RSF算法的关键环节初始化蛇形曲线、构建边缘能量E_edge与区域能量E_region、使用梯度下降迭代优化以及收敛停止条件同时演示了OpenCV3中读图、预处理和轮廓更新的典型用法。读者可对照代码理解区域活动轮廓模型与经典纯边缘模型的差异并尝试调整能量参数以应对噪声、低对比度等实际问题。1. RSF模型在分割什么一张亮暗不均的图就够它证明自己先看一类最典型的场景一张显微切片图左上角因为光源角度偏亮右下角明显偏暗前景目标和背景的灰度范围大面积重叠。你用大津法试一次阈值根本切不干净换成经典的CVChan-Vese活动轮廓模型它假设每个区域只用全局均值描述亮暗不均时同样翻车。基于Python 3.6与OpenCV 3的RSF模型Region-Scalable Fitting区域可扩展拟合就是冲着这个场景去的它把全局灰度拟合改成由核函数控制的局部拟合每个像素点都有自己的前景/背景拟合中心和c1(x)轮廓演化时同时参考局部灰度差异和几何正则化。我最初在Python 3.6和OpenCV 3的环境里复现这个模型只用了不到两百行代码就跑通了灰度不均匀图像的分割且不需要标注数据。这篇文章写给两类人一是做图像分割算法验证、需要把经典水平集模型快速跑起来的研究者或工程师二是被灰度不均匀图像困扰、想找一个比全局阈值更可靠的落地方案的人。下面按“模型原理 → 最小实现 → 参数调优 → 避坑 → 验证进阶”的顺序展开所有代码基于Python 3.6 NumPy OpenCV 3不需要额外装深度学习框架。2. 从CV到RSF局部拟合项是怎么把灰阶不均匀“拆”掉的2.1 CV模型的全局假设为何在灰度不均匀场景失效CV模型是活动轮廓里的标杆方法它把分割看成最小化一个能量泛函E(c1, c2, φ) λ1∫|I - c1|²·H(φ) dx λ2∫|I - c2|²·(1-H(φ)) dx 长度项 面积项这里的c1、c2是两个全局常数分别代表目标区域和背景区域的平均灰度。这个假设在光照均匀时很漂亮整个前景就是一个灰度常数背景是另一个灰度常数轮廓演化就是不断调整这两个常数和水平集函数φ。问题在于“灰度不均匀”恰恰破坏了这组假设。举例来说一张图像左半部整体比右半部亮20个灰度级目标灰度范围是80到130背景灰度范围是70到200二者在整体分布上几乎完全重叠。CV模型用全局常数去拟合得到的结果是两个均值各自落在重叠区间里轮廓被迫停在错误位置甚至把暗处的目标区域划给背景。某公司做工业零件表面缺陷检测时遇到过同一型号零件因打光方向不同导致分割结果差异极大根源就在这个全局假设上。RSF的改进思路很直接不再用一个全局常数描述整个区域而是让拟合中心随空间位置变化。每个点x周围有一个高斯核窗口窗口内的前景灰度用一个局部中心c1(x)表示背景用c2(x)表示。全局假设被放宽成局部假设灰度不均匀被“拆”成无数个局部均匀的小窗口这个思路解决了核心矛盾。2.2 RSF能量函数两个拟合中心 c1(x) 与 c2(x) 的定位RSF的能量函数在CV基础上把拟合项局部化写成这样E(φ) λ1∫∫ Kσ(x-y)·|I(y) - c1(x)|²·H(φ(y)) dy dx λ2∫∫ Kσ(x-y)·|I(y) - c2(x)|²·(1-H(φ(y))) dy dx其中Kσ是标准差为σ的高斯核只关心x邻域里的像素H是Heaviside函数φ(y)0的点算前景否则算背景。两个拟合中心定义是输入像素I和水平集函数在核窗口内的加权平均c1(x) [Kσ * (H(φ(x))·I(x))] / [Kσ * H(φ(x))]c2(x) [Kσ * ((1-H(φ(x)))·I(x))] / [Kσ * (1-H(φ(x))))]这里的*是图像卷积。注意c1(x)、c2(x)是图像上每个位置都不同的二维数组不是标量。在灰度不均匀区域某一点附近的前景可能整体偏暗那么c1(x)会自动取到偏暗的局部均值避免了全局均值那种“两边不讨好”的尴尬。能量并没有到此为止RSF原论文还叠加了两个正则项一个长度项用来平滑轮廓一个水平集规则化项从DRLSE模型借来用来让φ在演化过程中保持符号距离函数的性质避免重新初始化。完整的能量写成E(φ) E_fit(φ) ν·L(φ) μ·R(φ)其中ν控制轮廓平滑程度μ控制φ的规则化强度。L用轮廓弧长度量R用DRLSE的双阱势函数约束梯度模长。这两项的加入让演化过程稳定不会跑几步就出现波形振荡或尖刺。2.3 梯度下降流与离散格式能写进代码的那一版数学最小化上述能量函数用变分法推导出梯度下降流曲线演化方程∂φ/∂t -δε(φ)·(λ1·e1 - λ2·e2) ν·δε(φ)·div(∇φ/|∇φ|) μ·div(Dp(|∇φ|)·∇φ)其中e1(I-c1)²、e2(I-c2)²分别是每个像素点到两个局部拟合中心的灰度误差δε是Dirac函数的正则化近似Dp是规则化项对应的扩散系数。这条方程的意思水平集函数φ每一步朝着让局部拟合误差减小、轮廓更平滑、φ更接近符号距离函数的方向移动。离散化时把这几个量对应到数组运算上梯度用np.gradient做二阶中心差分曲率项的div(∇φ/|∇φ|)用梯度算子的散度规则化项按DRLSE的离散格式计算。Heaviside和Dirac用光滑近似Hε(z) 0.5·(1 (2/π)·arctan(z/ε))δε(z) (1/π)·(ε/(ε² z²))图像灰度归一化到[0,1]区间时ε取1.0已经足够光滑。计算c1、c2时的高斯卷积用cv2.filter2D完成这是OpenCV 3里现成的、比手动循环快得多的做法。把方程、函数、代码变量之间的对应关系整理成一张表调试时照着对照就不会乱数学记号含义代码中的变量/函数φ水平集函数二维数组phiHε(φ)光滑Heavisideheaviside(phi, eps)δε(φ)光滑Diracdirac(phi, eps)Kσ高斯卷积核gauss_kernel(k, sigma)c1(x)、c2(x)局部拟合中心数组c1、c2e1、e2拟合误差图e1、e2div(∇φ/∇φ)div(Dp∇φ)DRLSE规则化项drlse_term核心代码会在第3章直接给出这里的公式不是摆设后面调参时每一个参数都能对回到这个方程上。3. 用 Python 3.6 OpenCV 3 落地 RSF最小实现与主循环代码3.1 环境准备、图像预处理与初始水平集标题指定了Python 3.6和OpenCV 3实际项目里我用的是Python 3.6.15 opencv-python 3.4.x NumPy 1.19.x这套组合兼容性没问题。如果手头是更新的Python版本代码同样能跑只是注意OpenCV 3里cv2.findContours的返回值和新版本不同这个坑在第5章单独讲。第一个步骤是把图像读进来并做归一化。灰度图直接读如果源图是彩色图先转灰度再转float64import cv2 import numpy as np img cv2.imread(tissue.png, cv2.IMREAD_GRAYSCALE) I img.astype(np.float64) / 255.0 h, w I.shape print(image size:, h, w, range:, I.min(), I.max())逻辑说明OpenCV读出来的是uint8范围0到255。RSF的能量是灰度差的平方如果不归一化灰度差会被放大到65025的量级长度项系数和规则化系数都要跟着乘以255²调参时容易算错。我一般先把图归一化到[0,1]后面所有系数都按这个尺度来设简单直观。把类型转成float64是为了避免后续卷积运算时OpenCV对uint8和float核的类型断言报错。初始水平集不一定用符号距离函数但RSF的规则化项希望φ靠近符号距离函数常见做法是用圆形初始化目标区域内部为负、外部为正或者反过来边界附近梯度模长为1。下面这段代码生成初始φdef init_phi(shape, cx, cy, radius): h, w shape y, x np.mgrid[0:h, 0:w] phi -np.sqrt((x - cx) ** 2 (y - cy) ** 2) radius return phi phi init_phi(I.shape, w // 2, h // 2, min(h, w) // 4)参数说明cx、cy是初始化圆的圆心radius是半径。半径取图像短边的四分之一保证初始轮廓既不超出图像、又有足够空间让轮廓向内或向外演化。取负号的意思是圆内部φ0、外部φ0对应第2.2节中H(φ)0表示前景的约定后续画轮廓时可直接看φ0的等值线。再准备三个工具函数高斯核、Heaviside、Dirac。核的大小按3σ原则截断超出窗口的权重几乎为零没必要算整个图像范围def gauss_kernel(k, sigma): half (k - 1) / 2.0 x, y np.meshgrid(np.arange(-half, half 1), np.arange(-half, half 1)) kernel np.exp(-(x ** 2 y ** 2) / (2.0 * sigma ** 2)) return kernel / kernel.sum() def conv2(img, kernel): return cv2.filter2D(img, cv2.CV_64F, kernel, borderTypecv2.BORDER_REFLECT) def heaviside(phi, eps1.0): return 0.5 * (1.0 (2.0 / np.pi) * np.arctan(phi / eps)) def dirac(phi, eps1.0): return (1.0 / np.pi) * (eps / (eps ** 2 phi ** 2))逻辑说明conv2是对cv2.filter2D的统一封装把输出类型强制成CV_64F避免float32精度问题边界处理用BORDER_REFLECT镜像填充防止边缘处卷积窗口超出图像后出现零填充导致的伪影。高斯核必须做归一化否则c1、c2的分母统计会被核的绝对值放大。3.2 主循环拟合中心、梯度下降与正则项迭代RSF主循环一共几步计算Heaviside和Dirac、计算c1和c2、计算拟合误差、计算曲率项和DRLSE规则化项、按梯度下降流更新φ。完整函数如下def rsf_segment(I, phi, sigma3.0, dt0.1, lambda11.0, lambda21.0, mu0.2, nu0.001, num_iter300): k 2 * int(3 * sigma) 1 kernel gauss_kernel(k, sigma) for it in range(num_iter): H heaviside(phi) dH dirac(phi) c1 conv2(H * I, kernel) / (conv2(H, kernel) 1e-10) c2 conv2((1 - H) * I, kernel) / (conv2((1 - H) * I, kernel) 1e-10) e1 (I - c1) ** 2 e2 (I - c2) ** 2 grad_x np.gradient(phi, axis1) grad_y np.gradient(phi, axis0) norm_grad np.sqrt(grad_x ** 2 grad_y ** 2 1e-10) # 曲率项 div(grad phi / |grad phi|) curv np.gradient(grad_x / norm_grad, axis1) \ np.gradient(grad_y / norm_grad, axis0) # DRLSE 规则化项 div(Dp * grad phi) Dp np.where(norm_grad 1.0, 1.0 - 1.0 / norm_grad, np.sin(2 * np.pi * norm_grad) / (np.pi * norm_grad 1e-10)) drlse_term np.gradient(Dp * grad_x, axis1) \ np.gradient(Dp * grad_y, axis0) phi phi dt * (mu * drlse_term dH * (nu * curv - (lambda1 * e1 - lambda2 * e2))) if it % 50 0: area np.sum(phi 0) print(iter:, it, | positive area:, area) return phi逐段说明每个循环先把当前φ代入Heaviside和Dirac得到软划分的权重图H和只在轮廓带附近有响应的dH。接着用卷积计算两组局部拟合中心分母加1e-10是为了防止某个区域完全不包含任何前景或背景像素时除零第5章会详细讲这个坑的另一种症状。拟合误差e1、e2就是第2.3节方程里那两个平方项它们驱动着轮廓向灰度差异最大处移动。曲率项和规则化项都用np.gradient做离散梯度np.gradient默认用二阶中心差分边界处自动用单边差分配合BORDER_REFLECT的卷积边界整张图范围内不会产生明显数值振荡。更新方程严格对回梯度下降流mu * drlse_term让φ保持符号距离函数性质dH * nu * curv平滑轮廓dH * (lambda1*e1 - lambda2*e2)是局部拟合的驱动力。dt是显式迭代的时间步长0.1在绝大多数图像上数值稳定。3.3 轮廓提取与结果叠加输出迭代结束后φ0的等值线就是分割边界。先把φ二值化再找连通域轮廓mask (phi 0).astype(np.uint8) * 255 # OpenCV 3.x 的 findContours 返回 (image, contours, hierarchy) _, contours, hierarchy cv2.findContours( mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) color_img cv2.cvtColor(img, cv2.COLOR_GRAY2BGR) cv2.drawContours(color_img, contours, -1, (0, 0, 255), 1) cv2.imwrite(rsf_result.png, color_img)逻辑说明phi 0生成前景掩码astype(np.uint8) * 255是findContours需要的二值格式。RETR_EXTERNAL只取最外层轮廓避免水平集演化途中出现的孤立小环被当成目标CHAIN_APPROX_NONE保留全部轮廓点画出来更精细。颜色层用COLOR_GRAY2BGR转成三通道后叠加红色轮廓。OpenCV 3.x中findContours返回三个值第一个是修改后的二值图第二个才是轮廓列表解包时不要漏。到这里一个最小可用的RSF分割流程就完整了。把上面的函数组合起来跑一次phi init_phi(I.shape, w // 2, h // 2, min(h, w) // 4) phi rsf_segment(I, phi, sigma3.0, dt0.1, lambda11.0, lambda21.0, mu0.2, nu0.001, num_iter300)如果图像比较简单、目标与背景灰度差明显这个默认参数组合通常几十次迭代就能收敛。真正让结果不稳定的不是主循环而是参数选取和几个隐性边界条件下面两章专门处理这两块。4. RSF模型调参σ、时间步长、长度项系数怎么设才不玄学4.1 σ核尺度决定“局部”到底有多局部σ是整个RSF模型里最核心的自由参数它直接控制局部拟合窗口的物理尺寸。窗口越大c1(x)、c2(x)越接近全局均值模型逐渐退化成CV模型窗口越小模型对噪声越敏感容易出现碎块和孔洞。我一般的经验范围是σ取图像短边的1/50到1/25对于512×512的图像就是3到5。核的窗口尺寸按3σ截断即k 2*int(3*sigma)1σ3时窗口19×19σ5时31×31。调参时先打印核的数值分布窗口中心权重应明显高于边缘如果σ太小、窗口只有3×3卷积退化成逐像素比较完全没有局部平滑能力。有个实用的调试技巧把c1和c2分别存成图像看一眼。c1代表每个位置附近“前景”的局部灰度估计如果c1图出现大量椒盐噪声说明σ太小如果c1图看起来几乎是一张全图模糊图说明σ太大已经感受不到局部变化。这个可视化调试比直接看分割结果快得多。4.2 时间步长 Δt数值稳定的第一道闸门时间步长dt决定每一次迭代φ的移动距离。显式差分格式有稳定性约束粗略的经验是dt * 最大演化速度不能超过一个像素。图像归一化到[0,1]时拟合项误差e1/e2的量级在0到1Dirac函数的峰值约1/π驱动项量级不超过0.4左右dt0.1是安全的默认值。如果把dt调到0.5甚至1.0常见症状是前几十次迭代正常然后φ在轮廓带附近出现锯齿状振荡继续迭代整个分割结果崩溃。原因就是显式格式超出了稳定条件高频误差被放大。反过来dt0.01时几乎不可能发散但迭代300次可能还没收敛计算时间翻倍。我的习惯是先用0.1跑通每一步观察phi.max()和phi.min()如果数值出现单调增大且伴随振荡就折半。遇到特别大的图像比如2000×2000以上dt可以适当降到0.05因为更大的空间尺度下梯度的动态范围更大。4.3 λ1、λ2 与 μ、ν四项能量如何平衡这四个系数管理能量函数中各类项的权重。λ1、λ2是前景和背景拟合误差的权重通常都取1.0如果目标偏暗而背景偏亮可以向目标一侧倾斜比如λ11.2、λ20.8但调整幅度一般不夸张因为灰度不均匀恰恰要求两侧都对局部拟合保持敏感。ν是长度项系数控制轮廓平滑度。归一化图像上我推荐从0.001起步边界有锯齿就调大到0.005~0.01但过大的ν会把细小突起的目标整体磨平。μ是规则化项系数取0.1~0.2即可。μ太小时φ逐渐偏离符号距离演化后期出现数值拖尾μ太大会让φ被压平成一条直带分割边界变得模糊。参考参数表图像已归一化到[0,1]参数默认值调整方向过大的后果过小的后果sigma3.0跟着目标尺寸走退化成全局模型噪声碎块dt0.1不收敛时减半数值发散收敛慢lambda1/lambda21.0/1.0目标灰度占比大则略增单侧过拟合分割不完整nu0.001锯齿明显时增大细节被磨平边界毛糙mu0.2振荡时增大边界模糊数值不稳定4.4 迭代次数与收敛判定什么时候该停我没法给出一个通用的迭代次数但可以看两个信号。第一个是φ的变化量计算相邻两次迭代的差的绝对值之和当这个和连续多轮下降并保持在一个很小的值附近说明轮廓基本稳定。第二个是能量曲线可以粗略地跟踪area sum(phi 0)轮廓停止明显变化时面积曲线进入平台期。RSF这种局部拟合方法有个特点灰阶均匀的区域收敛快靠近目标细节的地方收敛慢所以保守的做法是设一个较大的迭代上限300~500配合每50次打印一次面积变化人工判断是否提前停止。# 在迭代循环里记录面积变化判断是否进入平台期 prev_area np.sum(phi 0) for it in range(num_iter): # ... 演化代码 ... curr_area np.sum(phi 0) if it 100 and abs(curr_area - prev_area) 1: print(converged at iter, it) break prev_area curr_area这个收敛判断逻辑很简单如果连续两次迭代正区域像素数变化小于1个像素视为收敛。注意这个条件不适用于正在跨越弱边界的情况所以至少迭代100次以后再启用。5. RSF模型避坑实录从轮廓消失到初始化翻车的 6 个现场5.1 现象1迭代几十步轮廓直接消失现象初始轮廓画得好好的迭代20步后mask整体变成全黑或全白分割结果为空或整图都是目标。原因时间步长dt太大或者长度项系数ν设得过大。显式差分格式不稳定时φ在轮廓带经历的数值涨落会让整个水平集函数快速上移或下移最终越过所有像素的阈值。另一个隐蔽原因是图像没有归一化灰度0~255直接参与计算时拟合误差量级上万dt0.1等同于一次移动上千像素。解决先把图像除以255归一化再把dt降到0.1以下ν从0.0005起步逐步增加。检查每个循环里phi.max()和phi.min()的量级如果最大值从初始的几十瞬间变成几百上千必然是数值发散优先减步长。5.2 现象2分割结果和CV模型几乎一模一样现象换了σ10、20分割结果和大津法或CV模型没有本质区别灰度不均匀的地方依然切错。原因σ设得太大高斯核窗口覆盖整个目标甚至超过整张图像c1(x)、c2(x)在每一点都近似全局均值RSF退化成全局模型。这种情况在图像尺寸较小比如200×200时格外容易发生σ10的核窗口已经能覆盖目标的一半。解决把σ降到图像短边的1/40以下。打印一张c1图如果c1看起来只是原图的轻度模糊版说明窗口过大。可视化检查是我处理这个问题最快的方法。5.3 现象3目标区域内出现NaN或全黑块现象迭代过程中某些位置的c1或c2变成NaN随后φ整片污染结果是黑块。原因分母为零。某个局部窗口内H(φ)全为0窗口完全落在背景里或1-H全为0窗口完全落在目标里除法产生inf。我见过某开发者在c1、c2的分母上没有加保护项恰好初始轮廓设置得很偏时触发。解决分母加1e-10是基本保护但这只是兜底。更本质的做法是在更新φ之前对dH做一个范围检查如果某区域dH整体为零说明轮廓不经过那里拟合项对该区域的贡献本来就该被忽略。另外用np.isnan(phi).any()在每次迭代后检查一次出现NaN立刻终止并打印所在位置能最快定位是哪一步引入的。5.4 现象4初始化位置决定命运远离目标就翻车现象同一个σ、同一组参数把初始圆放在目标中心时分割成功放在图像角落或目标外部时轮廓演化到无关区域再也不回来。原因RSF是局部拟合模型能量景观不是凸的梯度下降只能保证收敛到局部极小。初始化位置离目标边界太远时局部窗口里看到的灰度分布和目标区域毫无关系拟合误差无法提供正确的演化方向。解决接受这个约束。工程上的常见做法是对图像先做一个初步定位用全局阈值、形态学或者人工框选把目标大致位置确定下来再以这个位置为中心初始化RSF。处理多目标时可以在每个目标附近分别初始化并跑一次两相分割最后合并结果。这一点和深度学习分割的crop策略本质相同——先粗定位再精细分割。5.5 现象5OpenCV 3的filter2D边界与类型坑现象分割结果在图像四条边附近出现明显亮线或异常轮廓或者cv2.filter2D直接抛Assertion failed。原因第一个是边界填充模式。filter2D默认边界是常数零填充卷积窗口超出图像时补零会在边缘产生巨大的灰度突变c1、c2的计算因此失真。第二个是类型不匹配输入是uint8而核是float64时OpenCV 3对数据类型组合有限制容易断言失败。解决所有卷积统一走封装的conv2函数固定cv2.CV_64F输出和borderTypecv2.BORDER_REFLECT图像一律在进入主循环前转成float64。我自己最开始用默认边界跑等轮廓演化到边缘时被“粘住”换成REFLECT之后边缘区域的分割干净了很多。5.6 现象6速度慢每步4次核卷积如何提速现象512×512图像、迭代300次纯Python循环跑下来要两三分钟调参时完全没法交互。原因每步迭代至少4次整图卷积c1的分子分母、c2的分子分母加上梯度、散度计算Python解释器逐像素开销累积。解决三个方向我按性价比排序。第一高斯卷积固定核时改用scipy.ndimage.convolve内部实现比OpenCV的filter2D在float64上稍快且同样支持边界模式。第二把σ不求太大核窗口控制在31×31以内卷积开销是窗口尺寸的平方关系。第三调参阶段先把图像长边缩到256迭代100次跑通参数确认无误后再用原尺寸精跑。速度问题本质上是计算量问题缩图是曲线救国但非常有效。6. 验证你的 RSF 实现合成图像、数值守恒与两个进阶方向验证一个水平集分割算法我习惯先造一张灰度不均匀的合成图确定“标准答案”再跑真实图像。合成图可以用渐变成分叠加椭圆目标h, w 256, 256 y, x np.mgrid[0:h, 0:w] # 背景亮暗斜坡模拟灰度不均匀 bias 0.3 0.4 * (x / w) # 椭圆目标内部灰度略高于周围 ellipse_mask ((x - 128) / 60) ** 2 ((y - 128) / 40) ** 2 1.0 I bias 0.25 * ellipse_mask 0.02 * np.random.randn(h, w) I np.clip(I, 0, 1)目标是椭圆且边界已知跑完RSF后计算交并比就能量化误差。我第一次跑通RSF就是靠这种合成图全局CV模型在斜坡背景上做不出完整椭圆RSF能收敛到正确边界这个对比直接验证了模型确实吃透了灰度不均匀场景。第二个验证习惯是数值守恒检查。DRLSE规则化项的一个特点是让φ尽量保持符号距离性质检查方法迭代完成后统计|∇φ|偏离1的像素比例。如果超过一半像素的梯度模长远大于1或小于0.5说明μ设小了φ已经失去规则化约束。这个检查和分割精度无关但它能暴露数值稳定性的隐患。最后的进阶方向我提两个。第一两相RSF跑多目标时可以设多个初始圆各自演化后把结果做并集简单有效代价是分割重叠区域时会有竞争需要按区域面积过滤小碎块。第二彩色图像别直接在RGB通道上跑先转到Lab颜色空间取L通道做灰度分割既保留亮度信息又能避开RGB通道间的相关性干扰对光照不均匀的彩色图像效果显著。我的一个习惯是任何新接触的模型先做合成验证再上真实数据每个参数改动都记录一张表。RSF模型最大的陷阱就是参数之间互相耦合σ影响c1、c2ν影响轮廓形态dt影响全局稳定性靠感觉调参只会让问题越来越难定位。守住“一次只改一个参数、先看中间量再看结果”的原则这个模型在灰度不均匀分割上能稳定输出可靠结果。希望帮到你。本文还有配套的精品资源点击获取