在漫画创作、数据标注（如AI训练集准备）或个人收藏整理中，将漫画页面按分镜（Panel）切割为独立图片是一项基础且耗时的工作。手动切割效率低下，而通过OpenCV实现的自动分镜切割工具，可大幅提升工作效率。本文将详细介绍如何开发一个漫画分镜切割工具，涵盖图像处理、轮廓分析、文件操作等核心技术点。
一、实现思路
漫画分镜通常由黑色线条（边界）分隔，工具的核心逻辑是识别这些边界并提取独立分镜区域：
- 图像预处理：通过灰度化、高斯模糊减少噪声，再通过自适应二值化突出分镜边界（将黑色线条转为白色，便于后续边缘检测）。
- 边缘检测与轮廓识别：使用Canny算法检测边缘，结合
findContours定位所有外部轮廓（分镜的潜在区域）。 - 有效区域筛选：通过面积过滤排除噪点（小面积轮廓），并按坐标排序（保证分镜顺序符合“从上到下、从左到右”的阅读习惯）。
- 分镜切割与保存：从原图中提取每个有效区域，按规则命名并保存到输出目录。
- 命令行交互：解析输入/输出路径，实时反馈处理进度与结果。
二、代码实现（Python + OpenCV）
以下是完整的工具代码，依赖opencv-python库（可通过pip install opencv-python安装）：
import cv2
import os
import argparse
def split_manga_panel(input_path, output_dir):
"""
核心函数：识别并切割漫画分镜
:param input_path: 输入图片路径
:param output_dir: 输出目录路径
:return: 分镜信息列表（包含坐标和保存路径）
"""
# 1. 读取图片
img = cv2.imread(input_path)
if img is None:
print(f"错误：无法读取图片 {input_path}")
return []
height, width = img.shape[:2]
print(f"正在处理图片...原始尺寸：{width}×{height}像素")
# 2. 图像预处理：灰度化 + 高斯模糊 + 自适应二值化（突出分镜边界）
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转为灰度图，减少计算量
gray = cv2.GaussianBlur(gray, (5, 5), 0) # 高斯模糊降噪（核大小5x5，标准差0）
# 自适应二值化（反色）：将黑色线条（分镜边界）转为白色，背景转为黑色
thresh = cv2.adaptiveThreshold(
gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY_INV, 11, 2 # blockSize=11, C=2（需根据漫画风格调整）
)
# 3. 边缘检测 + 轮廓识别（仅识别外部轮廓）
edges = cv2.Canny(thresh, 50, 150) # Canny边缘检测（低阈值50，高阈值150）
contours, _ = cv2.findContours(edges, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 4. 筛选有效分镜区域（面积过滤 + 坐标排序）
min_area = 10000 # 最小分镜面积（像素），需根据漫画尺寸调整（避免噪点）
valid_regions = []
for cnt in contours:
area = cv2.contourArea(cnt)
if area > min_area: # 过滤小面积噪点
x, y, w, h = cv2.boundingRect(cnt) # 转换为矩形坐标（左上x,y + 宽高w,h）
valid_regions.append( (x, y, x+w, y+h) ) # 存储左上(x1,y1)、右下(x2,y2)坐标
# 按“从上到下、从左到右”排序（保证分镜顺序符合阅读习惯）
valid_regions.sort(key=lambda r: (r[1], r[0])) # 先按y坐标（行）排序，再按x坐标（列）排序
# 5. 切割分镜并保存
file_name = os.path.basename(input_path)
base_name, ext = os.path.splitext(file_name)
result = []
for i, (x1, y1, x2, y2) in enumerate(valid_regions):
# 从原图中切割分镜区域
split_img = img[y1:y2, x1:x2]
# 生成输出路径（如 page1_1.jpg）
output_path = os.path.join(output_dir, f"{base_name}_{i+1}{ext}")
cv2.imwrite(output_path, split_img) # 保存分镜图片
result.append( (x1, y1, x2, y2, output_path) ) # 记录分镜信息
return result
def main():
# 命令行参数解析
parser = argparse.ArgumentParser(description='漫画分镜自动切割工具')
parser.add_argument('--input', required=True, help='输入图片路径（支持JPG、PNG）')
parser.add_argument('--output', required=True, help='输出目录路径')
args = parser.parse_args()
# 确保输出目录存在
os.makedirs(args.output, exist_ok=True)
# 执行分镜切割
splits = split_manga_panel(args.input, args.output)
# 输出处理结果
print(f"已识别到{len(splits)}个分镜区域：")
for i, (x1, y1, x2, y2, path) in enumerate(splits):
print(f"- 分镜{i+1}：区域坐标({x1}, {y1}) - ({x2}, {y2})，已保存至 {path}")
print(f"共切割出{len(splits)}个分镜，所有分镜已保存至指定目录。")
if __name__ == "__main__":
main()
三、使用方式
- 安装依赖：
pip install opencv-python - 命令行调用：
python manga_splitter.py --input "C:/Comics/Chapter1/page1.jpg" --output "C:/Comics/Chapter1/splits/"
四、核心技术细节
- 图像预处理：
- 灰度化减少计算量，高斯模糊消除噪点；
- 自适应二值化（
ADAPTIVE_THRESH_GAUSSIAN_C）可自动适配不同亮度的漫画，THRESH_BINARY_INV将黑色线条转为白色（便于边缘检测）。
- 轮廓筛选与排序：
- 面积过滤（
min_area）避免将噪点识别为分镜； - 坐标排序（
sort(key=lambda r: (r[1], r[0]))）保证分镜顺序符合阅读习惯。
- 面积过滤（
- 分镜切割：
- 通过NumPy的切片操作（
img[y1:y2, x1:x2]）从原图中提取分镜区域，效率极高。
- 通过NumPy的切片操作（
五、扩展与优化
- 批量处理：遍历输入目录的所有图片，自动处理并保存分镜。
- 边界优化：对二值化后的图像进行膨胀/腐蚀，处理细线条或断裂的分镜边界。
- UI界面：结合Tkinter或PyQt开发图形界面，降低使用门槛。
- 智能优化：通过深度学习（如语义分割模型）提升复杂漫画（如手写风格、彩色漫画）的分镜识别精度。
该工具通过OpenCV的图像处理能力，实现了漫画分镜的自动切割，既适合个人整理漫画，也可作为AI训练数据的预处理工具。开发过程中需根据漫画风格调整min_area、二值化参数等，以达到最佳效果。