Python图像分割实战｜QuickShift超像素分割（修复BUG+完整可运行代码）

✨ 干货前言

在计算机视觉领域中，超像素分割是非常基础且重要的预处理操作。它可以将图像中相似的像素自动聚类、合并成语义连贯的小块，极大减少后续图像处理的计算量，广泛应用于目标检测、图像语义分割、图像抠图等场景。

今天给大家分享 QuickShift 快速移位分割算法 的 Python 实战代码。网上多数原版代码都存在颜色错乱、图片保存失败、黑屏报错等问题，本文已经全部修复优化，代码开箱即用，新手也能直接跑通！

💡 原代码常见BUG汇总

很多同学运行原始 QuickShift 代码时，会遇到各种报错和效果异常问题，核心原因主要有4点：

1. 颜色空间不匹配：OpenCV 读取图像为 BGR 格式，而 skimage 算法仅支持 RGB 格式，直接运行会导致分割错乱、色彩失真。

2. 数据类型错误：mark_boundaries 输出 0-1 浮点数图像，直接乘255不转类型，会出现图片全黑、保存失败问题。

3. 路径报错：未自动创建输出文件夹，无对应目录时代码直接终止报错。

4. 无异常校验：未判断图片是否读取成功，路径错误时无提示，新手难以排查问题。

🚀 优化后完整可运行代码

以下代码已修复所有BUG，新增路径校验、格式转换、结果可视化，兼容所有版本环境，直接复制即可运行！

import cv2import numpy as npimport osfrom skimage.segmentation import quickshift, mark_boundaries# 自动创建输出文件夹，避免路径报错os.makedirs("../tmp", exist_ok=True)# 定义图像输入、输出路径input_path = "../data/35.png"output_path = "../tmp/result.png"# 读取图像并校验读取状态img = cv2.imread(input_path)if img isNone:raise FileNotFoundError(f"无法读取图像：{input_path}，请检查图片路径！")# 核心：BGR转RGB，适配skimage算法img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)# QuickShift超像素分割参数配置max_dist = 300# 像素聚类最大距离ratio = 0.1# 颜色空间权重kernel_size = 10# 图像平滑核大小# 执行超像素分割segments = quickshift(    img_rgb,    kernel_size=kernel_size,    max_dist=max_dist,    ratio=ratio,    convert2lab=True# 转换Lab颜色空间，分割效果最优)# 绘制分割边界（黑色边界线）result = mark_boundaries(img_rgb, segments, color=(0, 0, 0))# 格式转换：浮点数转OpenCV可识别的0-255整数格式result = (result * 255).astype(np.uint8)# RGB转回BGR，适配OpenCV保存规则result_bgr = cv2.cvtColor(result, cv2.COLOR_RGB2BGR)# 保存分割结果cv2.imwrite(output_path, result_bgr)# 可视化展示结果cv2.imshow("QuickShift图像分割结果", result_bgr)cv2.waitKey(0)cv2.destroyAllWindows()

📖 核心代码逐段解析

1. 环境与路径预处理

通过 os.makedirs 自动创建输出目录，无需手动新建文件夹，彻底解决路径不存在的报错问题；同时增加图像读取校验，精准定位路径错误问题。

2. 颜色空间转换（关键步骤）

OpenCV 默认读取 BGR图像，而 skimage 所有图像算法均基于 RGB 格式，必须通过 cv2.COLOR_BGR2RGB 转换，否则分割效果完全失效、图片颜色错乱。

3. QuickShift 分割核心逻辑

算法基于颜色和空间距离对像素进行聚类，convert2lab=True会将图像转为 Lab 颜色空间，相比 RGB 空间，对色彩差异更敏感，分割边界更精准。

4. 图像格式修复

mark_boundaries 输出的是0~1浮点数矩阵，OpenCV 仅支持 0~255 的 uint8 整数格式，必须通过 .astype(np.uint8) 转换，否则保存图片为全黑无效图。

⚙️ 核心参数调优指南

参数直接决定分割效果，按需调整即可适配不同场景的图片，新手直接参考下表调参：

📦 运行环境配置

执行以下 pip 命令，一键安装所有依赖库：

pip install opencv-python scikit-image numpy

🎯 自定义修改小技巧

1. 修改分割边界颜色：修改 color=(0,0,0) 参数，例如红色边界 (1,0,0)、绿色边界 (0,1,0)。

2. 调整分割精细度：想要更多细碎分割块，减小 max_dist、增大 ratio；想要更少更大的分割块，反向调整参数即可。

3. 更换图片路径：直接修改 input_path 为自己的图片绝对/相对路径。

📝 总结

QuickShift 是一款高效、稳定的无监督超像素分割算法，无需训练模型即可实现图像智能分割，非常适合作为计算机视觉的预处理步骤。

本文彻底修复了网上通用代码的各类报错问题，优化了参数和代码结构，代码健壮性更强、运行效果更稳定，新手可以直接复用学习！

后续可以基于该分割结果，拓展实现图像降噪、区域特征提取、语义分割预处理等进阶操作～