将边缘检测转换为蒙版
Convert Edge Detection to Mask
给一张我应用了边缘检测滤镜的图像，有什么方法（希望 efficient/performant 是一种方法）来获得标记段中点“总和”的掩码？
图片说明：
提前致谢。
更新：
添加了较亮图像的示例 (https://imgur.com/a/MN0t3pH)。
正如您将在下图中看到的，我们假设当用户标记一个区域 (ROI) 时，将会有一个对象从其背景中“脱颖而出”。我们的最终目标是获得该对象最准确的“掩码”，以便我们可以将其用于 ML 处理。
根据您上传的两个示例，我可以假设您正在根据 color/intensity 的差异进行阈值处理- 我可以建议将 grabcut 作为基本的前景分离 - 使用遮罩中的边缘ROI 作为算法的输入。
更好的是 - 如果您的阈值处理与第一张图像一样好，只需跳过边缘检测部分，这将是 grabcut 的输入。
======= 编辑 =======
@RoiMulia如果你需要生产级别我建议你完全离开阈值+边缘检测方向并尝试背景去除技术（SOTA目前是神经网络如Background Matting: The World is Your Green Screen (example））。
您也可以尝试一些现成的后台删除 API，例如 https://www.remove.bg/ or https://clippingmagic.com/
1.
鉴于您拥有的“投资回报率”监督，我强烈建议您探索 GrabCut（由 提议）：
Rother C, Kolmogorov V, Blake A. "GrabCut" interactive foreground extraction using iterated graph cuts。 ACM 图形交易 (TOG)。 2004.
要了解其工作原理，您可以使用 power-point 的“背景删除”工具：
这是基于GrabCut算法。
这是它在 powerpoint 中的样子：
GrabCut 主要根据 foreground/background 颜色分布在选定的 ROI 中分割前景对象，较少 edge/boundary 信息，但可以将这些额外信息整合到公式中。
opencv 似乎有 GrabCut 的基本实现，参见 here。
2.
如果您正在寻找一种仅使用边界信息的方法，您可能会发现 this answer 很有用。
3.
另一种方法是使用 NCuts：
Shi J, Malik J. Normalized cuts and image segmentation. IEEE 交易模式分析和机器智能。 2000.
如果你有非常可靠的边缘图，你可以将NCuts使用的“亲和矩阵”修改为二进制矩阵
0 if there is a boundary between i and j
w_ij = 1 if there is no boundary between i and j
0 if i and j are not neighbors of each other
NCuts 可以被视为一种估计“稳健连通分量”的方法。
给一张我应用了边缘检测滤镜的图像，有什么方法（希望 efficient/performant 是一种方法）来获得标记段中点“总和”的掩码？
图片说明：
提前致谢。
更新：
添加了较亮图像的示例 (https://imgur.com/a/MN0t3pH)。 正如您将在下图中看到的，我们假设当用户标记一个区域 (ROI) 时，将会有一个对象从其背景中“脱颖而出”。我们的最终目标是获得该对象最准确的“掩码”，以便我们可以将其用于 ML 处理。
根据您上传的两个示例，我可以假设您正在根据 color/intensity 的差异进行阈值处理- 我可以建议将 grabcut 作为基本的前景分离 - 使用遮罩中的边缘ROI 作为算法的输入。 更好的是 - 如果您的阈值处理与第一张图像一样好，只需跳过边缘检测部分，这将是 grabcut 的输入。
======= 编辑 =======
@RoiMulia如果你需要生产级别我建议你完全离开阈值+边缘检测方向并尝试背景去除技术（SOTA目前是神经网络如Background Matting: The World is Your Green Screen (example））。
您也可以尝试一些现成的后台删除 API，例如 https://www.remove.bg/ or https://clippingmagic.com/
1.
鉴于您拥有的“投资回报率”监督，我强烈建议您探索 GrabCut（由
Rother C, Kolmogorov V, Blake A. "GrabCut" interactive foreground extraction using iterated graph cuts。 ACM 图形交易 (TOG)。 2004.
要了解其工作原理，您可以使用 power-point 的“背景删除”工具：
这是基于GrabCut算法。
这是它在 powerpoint 中的样子：
GrabCut 主要根据 foreground/background 颜色分布在选定的 ROI 中分割前景对象，较少 edge/boundary 信息，但可以将这些额外信息整合到公式中。
opencv 似乎有 GrabCut 的基本实现，参见 here。
2.
如果您正在寻找一种仅使用边界信息的方法，您可能会发现 this answer 很有用。
3.
另一种方法是使用 NCuts：
Shi J, Malik J. Normalized cuts and image segmentation. IEEE 交易模式分析和机器智能。 2000.
如果你有非常可靠的边缘图，你可以将NCuts使用的“亲和矩阵”修改为二进制矩阵
0 if there is a boundary between i and j
w_ij = 1 if there is no boundary between i and j
0 if i and j are not neighbors of each other
NCuts 可以被视为一种估计“稳健连通分量”的方法。