cv2.fillPoly 相交多边形失败
我的目标是填充几个简单的四边形，但是一些相交的多边形之间的一些孔/补丁未填充。
代码
import cv2
import numpy as np
bboxes = [
np.array([126., 615., 141., 615., 141., 640., 126., 640., 140., 615., 157., 615., 157., 640., 140., 640., 158., 615., 174., 616., 174., 640., 158., 640.]),
np.array([193., 616., 209., 616., 209., 640., 193., 640., 209., 616., 225., 616., 225., 640., 209., 640.]),
np.array([242., 613., 258., 613., 259., 640., 242., 640., 259., 615., 276., 615., 276., 640., 260., 640., 275., 622., 291., 622., 291., 646., 275., 646., 292., 615., 308., 615., 309., 640., 292., 640., 308., 616., 325., 616., 325., 640., 309., 640.]),
np.array([126., 656., 143., 656., 143., 681., 126., 681., 143., 662., 158., 662., 159., 681., 143., 681., 158., 662., 174., 663., 174., 681., 159., 681., 174., 663., 189., 663., 189., 681., 174., 681., 188., 663., 205., 663., 205., 681., 188., 681., 206., 653., 222., 653., 222., 681., 206., 681., 222., 653., 238., 653., 239., 681., 222., 681.]),
np.array([256., 657., 274., 657., 274., 681., 256., 681., 275., 663., 290., 663., 291., 681., 275., 681., 292., 663., 307., 663., 307., 682., 293., 681., 305., 657., 321., 657., 321., 682., 305., 682., 321., 656., 337., 656., 338., 682., 321., 682., 338., 663., 353., 663., 353., 682., 338., 682.]),
np.array([126., 697., 143., 697., 143., 722., 127., 722., 143., 697., 159., 697., 159., 722., 143., 722., 159., 697., 175., 697., 175., 722., 159., 722., 175., 697., 191., 697., 191., 722., 175., 722., 190., 697., 208., 698., 208., 722., 190., 722., 209., 698., 225., 698., 226., 722., 209., 722., 225., 698., 242., 698., 242., 722., 226., 722., 242., 698., 258., 698., 258., 723., 242., 722., 258., 698., 274., 698., 275., 723., 258., 723., 274., 698., 291., 698., 291., 723., 275., 723., 290., 698., 307., 698., 307., 723., 290., 723., 308., 698., 325., 698., 325., 723., 308., 723., 324., 698., 342., 698., 342., 723., 324., 723., 342., 698., 361., 698., 361., 723., 342., 723., 361., 698., 378., 698., 378., 723., 361., 723.]),
np.array([398., 699., 414., 699., 415., 724., 398., 723., 414., 699., 431., 699., 431., 724., 415., 724., 431., 696., 446., 696., 447., 730., 431., 730., 446., 699., 463., 699., 464., 724., 447., 724., 463., 699., 480., 699., 480., 724., 464., 724.]),
np.array([126., 738., 143., 738., 143., 763., 126., 763., 142., 738., 162., 738., 162., 763., 142., 763., 163., 738., 180., 738., 180., 763., 163., 763., 185., 745., 192., 745., 192., 763., 185., 763.]),
np.array([206., 739., 223., 739., 223., 764., 207., 763., 223., 739., 239., 739., 239., 764., 223., 764., 238., 739., 255., 739., 256., 764., 238., 764.]),
np.array([268., 548., 283., 548., 283., 565., 268., 565., 286., 541., 302., 541., 303., 557., 286., 557., 305., 535., 323., 535., 323., 560., 306., 560., 326., 534., 344., 534., 345., 558., 326., 558., 346., 534., 365., 534., 365., 557., 347., 557., 366., 534., 385., 533., 386., 559., 366., 559., 387., 537., 417., 536., 418., 562., 388., 562., 418., 541., 438., 540., 438., 566., 419., 566., 433., 551., 451., 551., 452., 579., 433., 579.]),
np.array([ 20., 69., 51., 69., 51., 113., 20., 113., 56., 68., 65., 68., 65., 112., 56., 112., 61., 67., 86., 67., 86., 113., 61., 113., 85., 68., 117., 67., 117., 111., 85., 112.]),
np.array([152., 66., 169., 65., 169., 109., 153., 110., 169., 64., 193., 64., 193., 110., 169., 110.]),
np.array([225., 58., 250., 57., 250., 108., 225., 109., 251., 60., 262., 60., 262., 107., 251., 107., 261., 72., 286., 71., 286., 117., 261., 118., 287., 59., 298., 59., 298., 106., 287., 106., 299., 62., 317., 61., 317., 107., 299., 107.]),
np.array([ 24., 138., 62., 137., 62., 181., 24., 182., 61., 134., 72., 134., 72., 181., 61., 181., 71., 145., 93., 145., 93., 181., 71., 182., 95., 130., 118., 129., 118., 180., 95., 180., 116., 144., 141., 144., 141., 180., 116., 181., 143., 129., 156., 129., 156., 181., 143., 181., 156., 129., 169., 128., 169., 181., 156., 181., 167., 143., 191., 142., 192., 179., 167., 180.]),
np.array([227., 133., 255., 132., 256., 177., 228., 177., 254., 142., 278., 141., 279., 177., 255., 178., 278., 140., 302., 140., 303., 176., 279., 176., 302., 131., 320., 130., 321., 176., 303., 177.]),
np.array([ 22., 206., 48., 206., 48., 250., 22., 251., 48., 205., 71., 204., 71., 250., 48., 250., 71., 204., 94., 204., 94., 250., 71., 251., 94., 204., 118., 203., 118., 249., 94., 249., 118., 203., 141., 203., 141., 249., 118., 249., 141., 203., 164., 202., 164., 249., 141., 250., 165., 202., 188., 202., 188., 249., 165., 249., 187., 203., 211., 202., 211., 247., 187., 248., 211., 202., 235., 202., 235., 247., 211., 247., 236., 201., 259., 200., 259., 247., 236., 248., 258., 202., 282., 201., 282., 246., 258., 246., 282., 200., 306., 200., 307., 246., 282., 247., 306., 200., 330., 199., 331., 246., 307., 246., 331., 199., 356., 198., 356., 246., 332., 246., 355., 200., 381., 199., 381., 244., 355., 245., 382., 198., 405., 197., 406., 245., 382., 245.]),
np.array([439., 197., 462., 196., 463., 244., 440., 244., 461., 197., 485., 197., 486., 243., 462., 244., 481., 191., 505., 190., 507., 253., 482., 253., 510., 195., 533., 195., 534., 242., 510., 243., 534., 196., 552., 195., 553., 241., 535., 241.]),
np.array([ 23., 274., 51., 274., 51., 320., 23., 321., 48., 275., 79., 274., 79., 319., 48., 320., 82., 273., 110., 273., 110., 320., 82., 320., 110., 284., 121., 284., 121., 319., 110., 320.]),
np.array([153., 273., 170., 273., 171., 318., 154., 318., 170., 272., 193., 271., 194., 318., 171., 319., 193., 272., 210., 272., 211., 317., 194., 317.]),
np.array([ 25., 335., 45., 334., 45., 364., 25., 365., 45., 344., 61., 344., 61., 364., 45., 364., 63., 344., 78., 344., 78., 364., 63., 364., 77., 336., 87., 336., 87., 364., 77., 364., 86., 334., 106., 334., 106., 364., 86., 364., 106., 337., 124., 336., 124., 363., 106., 364., 124., 336., 142., 336., 142., 363., 124., 363., 143., 336., 174., 336., 174., 369., 143., 369., 168., 335., 184., 335., 184., 370., 168., 370., 189., 343., 205., 342., 205., 362., 189., 363., 206., 342., 231., 342., 231., 362., 206., 362., 231., 342., 247., 342., 247., 362., 231., 362., 245., 342., 260., 342., 260., 362., 245., 362., 262., 349., 271., 348., 271., 351., 262., 352., 265., 333., 281., 333., 281., 368., 265., 369., 286., 341., 302., 341., 303., 361., 286., 361., 303., 341., 319., 341., 319., 361., 304., 361., 319., 331., 337., 330., 337., 361., 319., 361., 335., 341., 350., 340., 350., 361., 335., 361., 352.,340., 368., 340., 369., 360., 352., 361., 368., 340., 386., 340., 386., 360., 369., 360., 385., 356., 391., 356., 391., 361., 385., 361., 392., 340., 408., 340., 409., 360., 392., 360., 407., 329., 428., 329., 428., 360., 408., 360., 430., 339., 447., 339., 448., 359., 430., 360.]),
np.array([100., 398., 158., 397., 158., 451., 101., 452., 163., 401., 210., 401., 211., 451., 163., 451., 212., 399., 245., 399., 246., 450., 213., 450., 245., 399., 279., 399., 279., 449., 246., 450., 276., 439., 292., 439., 292., 458., 276., 459., 293., 400., 341., 399., 341., 450., 293., 450., 343., 393., 384., 393., 385., 453., 343., 453., 382., 438., 398., 438., 399., 458., 382., 458., 398., 398., 445., 397., 446., 450., 398., 451., 446., 398., 495., 398., 495., 449., 447., 449.]),
np.array([346., 59., 382., 58., 383., 142., 347., 143., 377., 97., 420., 96., 421., 146., 377., 147., 420., 86., 447., 85., 448., 147., 421., 148., 449., 64., 478., 64., 479., 148., 450., 148., 479., 96., 512., 95., 513., 146., 480., 147., 511., 91., 554., 90., 556., 172., 512., 173., 543., 50., 586., 49., 588., 155., 545., 156.]),
np.array([246., 817., 257., 817., 257., 831., 246., 831., 256., 817., 269., 817., 269., 831., 256., 831., 268., 817., 284., 817., 284., 832., 268., 831., 285., 817., 298., 817., 298., 832., 285., 832., 298., 812., 312., 812., 313., 836., 298., 836., 313., 817., 326., 818., 326., 837., 314., 837., 325., 812., 338., 812., 338., 832., 325., 832., 338., 818., 352., 818., 352., 832., 338., 832., 352., 818., 364., 818., 364., 833., 352., 832., 368., 828., 374., 829., 374., 833., 368., 833., 369., 818., 382., 818., 382., 833., 369., 833., 384., 818., 395., 818., 395., 833., 384., 833., 393., 818., 407., 818., 407., 833., 393., 833., 407., 818., 420., 819., 420., 839., 407., 838., 424., 829., 430., 829., 430., 833., 424., 833., 425., 819., 439., 819., 439., 833., 426., 833., 439., 814., 452., 814., 453., 834., 439., 833., 452., 812., 466., 812., 466., 834., 453., 834.]),
]
canvas = np.zeros((800, 650))
for cbbs in bboxes:
cbbs = cbbs.astype(np.int32)
cbbs = cbbs.reshape((-1, 4, 2))
cv2.fillPoly(img=canvas, pts=cbbs, color=255, lineType=cv2.LINE_AA)
cv2.imwrite("out_fillPoly.png", canvas)
产量
但是，通过将调用更改cv2.fillPoly为
for cbb in cbbs:
cv2.fillPoly(img=img, pts=[cbb], color=255)
使四边形相互重叠，从而产生预期的输出
然而，在更高的总体运行时间下，每个图像多边形更多。
文档表明这种行为不是预期的。
是否有更有效（更快）的解决方案来解决这个问题？
PS：我也试过了cv2.drawContours，结果是一样的。
以上均已在python 3.8.10和上进行了测试opencv 4.5.3。