4. 阴影区域几何特征描述与筛选

几何特征的定义与计算口径

阈值分割得到的候选阴影掩膜只是“暗区”，其中既有真实目标阴影，也有礁石暗斑、底质纹理、拖鱼阴影和噪声团块。要筛出典型水下目标阴影，需要把每个连通域压缩成一组可比较的几何量。本例统一采用以下口径（像素坐标系，x 向右、y 向下，面积以像素计）：

• 面积 A：连通域内前景像素总数，用于剔除过小噪声与超大背景暗区。
• 外接矩形：取最小外接矩形（旋转矩形），宽 w 为长边、高 h 为短边，长宽比 R = w / h ≥ 1。
• 矩形度：F = A / (w·h)，反映区域填充外接矩形的程度，细长或分叉形状该值偏低。
• 紧致度：C = 4πA / P²，P 为周长，圆为 1，形状越不规则越小。
• 主轴方向：由二阶中心矩得到，用于判断阴影长轴是否与声呐航迹/距离向一致。

下面这张图给出从掩膜到特征向量再到规则筛选的完整数据流，并标出各特征对典型目标阴影的期望区间，便于对照实现结果。

用 OpenCV 实现特征提取

下面的脚本对单帧掩膜逐连通域计算上述特征，并按规则输出保留/剔除结果。输入为二值掩膜（前景 255），输出为特征表与筛选后的掩膜。示例阈值仅作教学起点，实际需按声呐量程与像素分辨率标定。

import cv2
import numpy as np
import math

def region_features(mask):
    """mask: uint8 二值图，前景=255。返回每个连通域的特征字典列表。"""
    num, labels, stats, cents = cv2.connectedComponentsWithStats(mask, connectivity=8)
    feats = []
    for i in range(1, num):  # 跳过背景 0
        area = int(stats[i, cv2.CC_STAT_AREA])
        if area < 20:
            continue
        comp = (labels == i).astype(np.uint8)
        cnts, _ = cv2.findContours(comp, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
        c = max(cnts, key=cv2.contourArea)
        (cx, cy), (w, h), ang = cv2.minAreaRect(c)
        w, h = max(w, h), min(w, h)          # 长边为 w
        rect_ratio = area / (w * h + 1e-6)   # 矩形度
        peri = cv2.arcLength(c, True)
        compact = 4 * math.pi * area / (peri * peri + 1e-6)  # 紧致度
        # 主轴方向：二阶中心矩
        ys, xs = np.nonzero(comp)
        xs = xs - xs.mean(); ys = ys - ys.mean()
        mu20 = (xs * xs).mean(); mu02 = (ys * ys).mean(); mu11 = (xs * ys).mean()
        theta = 0.5 * math.atan2(2 * mu11, mu20 - mu02)
        feats.append(dict(label=i, area=area, w=w, h=h,
                          aspect=w / (h + 1e-6), rect=rect_ratio,
                          compact=compact, theta=math.degrees(theta),
                          cx=cx, cy=cy))
    return feats

def filter_shadows(feats, amin=80, amax=8000,
                   rmin=1.5, rmax=6.0, fmin=0.45, cmin=0.15,
                   track_deg=0.0, max_dev=30.0):
    keep, drop = [], []
    for f in feats:
        dev = abs(((f["theta"] - track_deg + 90) % 180) - 90)
        ok = (amin <= f["area"] <= amax and
              rmin <= f["aspect"] <= rmax and
              f["rect"] >= fmin and
              f["compact"] >= cmin and
              dev <= max_dev)
        (keep if ok else drop).append(f)
    return keep, drop

# 使用示例
mask = cv2.imread("shadow_mask.png", cv2.IMREAD_GRAYSCALE)
feats = region_features(mask)
keep, drop = filter_shadows(feats)
print(f"候选 {len(feats)}，保留 {len(keep)}，剔除 {len(drop)}")
for f in keep:
    print(f"label={f['label']} A={f['area']} R={f['aspect']:.2f} "
          f"F={f['rect']:.2f} C={f['compact']:.2f} θ={f['theta']:.1f}°")

规则阈值怎么定：用分布而不是拍脑袋

阈值应来自本批数据的特征分布。建议先对若干帧的候选区域做统计，观察目标阴影与干扰暗区在 R、F、C 上的分离程度，再取分位数作为初值。下表给出一组教学示例的统计口径与建议区间（数值为示例，需按实际数据重标定）：

结果验证与调参闭环

筛选效果用两个指标判断：保留区域中真实目标阴影的比例（精确率）与真实目标阴影被保留的比例（召回率）。做法是对一批帧人工标注目标阴影标签，将脚本输出的 keep 列表与标签比对。若召回偏低，优先放宽 R 下限与主轴偏差；若精确率偏低，优先提高 F 与 C 下限。每次只调一个参数并记录指标变化，避免多参数同时变动导致无法归因。

此外应检查被剔除样本的典型图像：若大量真实阴影因面积超上限被剔除，说明 Amax 与量程不匹配；若因 C 偏低被剔除，往往是分割掩膜边缘破碎，应回到预处理环节检查形态学闭运算的核尺寸，而不是继续放宽几何阈值。