基于显著性检测的智能裁切算法原理

先把显著性图变成可裁切区域

智能裁切要解决的不是“从中心切一刀”，而是在目标宽高比下，尽量保留人物、商品和文字等重要区域。显著性检测提供注意力分布，人脸检测、目标检测和 OCR 提供明确的保护对象；两类信息结合，才适合用于实际裁切。

显著性可以理解为画面中某个像素或区域吸引注意的程度。模型通常输出 0～1 的浮点图，或转换为 0～255 的 8 位灰度图；数值越高，表示该位置在视觉上更突出，但不等于它就是业务上最重要的主体。

例如，原图为 4000×3000 像素，宽高比是 4:3；目标比例为 16:9 时，若保持裁切窗口宽度为 4000 像素，窗口高度应为 2250 像素。此时主要减少的是上下区域，单纯左右移动窗口无法解决比例变化。工程中应先按比例计算窗口尺寸，再搜索窗口位置。

显著性图可以通过不同路线生成：

• 传统方法分析颜色对比、边缘、纹理和中心先验，适合资源受限的场景。
• 深度模型使用 CNN、Transformer 或语义分割网络提取上下文特征，效果取决于模型训练数据、输入分辨率和图片类型。
• U²-Net 可用于显著性区域或前景掩码生成，但不能把模型名称直接当作效果保证；权重版本和部署分辨率都会影响结果。

拿到显著性图后，可先将数值归一化到 0～1，再分别测试 0.5、0.7、0.9 三个阈值。阈值 0.5 往往保留较大区域，适合避免漏掉主体；0.9 只保留最突出的部分，适合观察模型是否把反光、文字或灯光误判成主体。阈值没有跨数据集通用的最优值，应以样本验收结果决定。

按目标比例搜索候选窗口

设原图尺寸为宽度 W、高度 H，目标比例为 r = w/h。若 W/H > r，可先使用窗口宽度 W、高度 W/r；若 W/H < r，则使用窗口高度 H、宽度 H×r。窗口确定后，再在合法坐标范围内平移，而不是先裁切再强行拉伸。

对阈值化后的显著区域进行连通区域分析，可以得到一个或多个候选框。若区域彼此分散，直接取总外接矩形会把大量背景也纳入窗口；这时应保留多个候选组合，分别计算分数。

一个实用的评分函数可以写成：

• 显著性保留率：窗口内显著性总量除以全图显著性总量，衡量注意力保留程度。
• 主体完整度：计算检测框、文字框或前景掩码在窗口内的覆盖比例。
• 边缘惩罚：主体距离裁切边界越近，扣分越多。
• 构图偏移：窗口中心偏离主体加权中心时扣分。

可以先用权重 0.6、0.2、0.2 进行基线测试，分别对应显著性保留率、主体完整度和边缘惩罚；这是起始配置，不是通用最优值。商品图若出现轮廓被切断，应提高主体完整度权重；风景图中主体边界不明确，则可提高显著性保留率权重。

多个主体无法同时放入目标比例时，先按业务优先级排序，再决定是否缩小整图。比如人物、商品、文字的初始权重可设为 0.5、0.3、0.2；若文字是广告标题，实际项目中应把它提升到与核心商品相近的优先级，而不是机械沿用示例。

用保护框和安全边距防止截断

安全边距是主体关键区域与裁切边界之间预留的像素距离，用来吸收检测误差和视觉拥挤感。它应按输出尺寸设定，而不是固定写成原图的某个百分比：输出宽度为 1080 像素的人像图，可先测试脸部外扩 20～40 像素；文字框和商品轮廓则应通过预览确认是否需要更大边距。

保护规则可按图片类型执行：

• 人像：将脸部、头顶和肩部检测框向外扩张 5%～15%，并禁止扩张后的框越过裁切边界。
• 商品：同时保护完整轮廓、标签和关键结构，不能只保留显著性最高的局部。
• 风景：允许减少低显著性的天空或地面，但地平线、建筑和人物不应被窗口切断。
• 文字图片：把 OCR 返回的文字框作为硬约束或高权重区域，标题不能只剩半行。

显著性检测单独使用时，容易被高亮文字、反光、灯光和强纹理背景吸引。人脸检测、目标检测和 OCR 的保护框可以与显著性窗口联合评分；如果保护框无法完整纳入候选窗口，应降低该窗口分数，或提示用户更换目标比例。

照着这条流水线实现和验收

1. 读取原图，记录 W、H 和目标比例，例如 1:1、4:5、16:9 或 9:16。
2. 生成显著性图并归一化到 0～1；对 0.5、0.7、0.9 三个阈值各生成一组候选区域。
3. 运行 U²-Net、目标检测器、人脸检测器或 OCR，得到前景掩码和保护框。
4. 按目标比例计算窗口尺寸，在可移动范围内以固定步长或网格搜索窗口位置。
5. 计算显著性保留率、主体完整度、边缘惩罚和构图偏移，选择综合得分最高的窗口。
6. 输出裁切预览，重点检查脸部、商品轮廓、文字框是否越界，再保存最终文件。

实现时可使用 OpenCV 4.x；cv2.resize 用于缩放，cv2.imwrite 用于保存结果。JPEG 质量可先设为 85～95，PNG 为无损格式但通常文件更大。验收不应只看分数，至少要同时满足三条：保护框完整、输出宽高比误差不超过 1 个像素、目标输出尺寸符合接口要求。

调试可建立一组包含人像、商品、风景和文字图的样本，逐张记录阈值、窗口坐标、主体完整度和误裁类型。若 0.5 能保留主体但背景过多，改用 0.7；若 0.9 导致脸部或文字被切断，应降低阈值或提高保护框权重。取决于业务目标，缩略图可优先保证主体可见，商品图则应优先保证轮廓和标签完整。

显著性最高的位置只是注意力最集中的位置，并不必然是应该保留的主体。亮色文字、强反光和背景灯光都可能成为热力图峰值，因此显著性图适合产生候选窗口，最终裁切仍应由检测结果、保护边距和业务优先级共同决定。