看起来你的方法在颜色接近黑色的地方失败了，因为它不能可靠地从黑色中提取色调。我注意到在那些区域使用边缘检测器效果更好。在这种情况下，我将尝试使用adaptiveThreshold。它本身不是边缘检测器，但它像边缘检测器一样工作，并能抵抗亮度变化。
首先模糊，获取模糊的灰度并对其进行自适应阈值设置：

blur = cv2.GaussianBlur(img, (25, 25), 0)
blur_gray = cv2.cvtColor(blur, cv2.COLOR_BGR2GRAY)
blur_adaptive = cv2.adaptiveThreshold(blur_gray, 255, 
    cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 51, 0)

正如你所看到的，它确实显示了边缘在哪里。你可能需要使用足够大的核来可靠地分离（在这个例子中是51）。唯一的问题是，它对开放空间中的噪声很敏感。
为了去除这些噪声，我们可以从边缘进行泛色填充，这也是为什么我们在自适应阈值化之前进行模糊处理，这样这些噪声或多或少是相关的。

flooded = blur_adaptive.copy()
for x in range(flooded.shape[1]):
    if flooded[0, x] == 0:
        break
cv2.floodFill(flooded, None, (x, 0), 255)
# invert flooded and make it bool
flooded = flooded < 255

虽然还有些噪音，但我们可以稍后再处理。现在让我们把你的面具和我们得到的合并起来。

img_YCrCb = cv2.cvtColor(blur, cv2.COLOR_BGR2YCrCb)
#skin color range for hsv color space 
YCrCb_mask = cv2.inRange(img_YCrCb, (0, 135, 85), (255,180,135))
# make YCrCb_mask bool
YCrCb_mask = YCrCb_mask > 0

combined = np.bitwise_or(YCrCb_mask, flooded)

不错。口罩可以互相弥补不足。我们可以通过消除小轮廓来清除残留的噪音。它也会填充封闭的空隙。

contours, _ = cv2.findContours(combined.astype(np.uint8), 
    cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
area_threshold = 200
large_contours = [cnt for cnt in contours if cv2.contourArea(cnt) > area_threshold]
cleaned = np.zeros(combined.shape, dtype=np.uint8)
cv2.drawContours(cleaned,  large_contours, -1, 255, thickness=cv2.FILLED)

和morph-close来连接片段（如果有）：

morph = cv2.morphologyEx(cleaned, cv2.MORPH_CLOSE, 
    cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (11, 31)))

这里还有一些工作要做，但看起来比以前好多了。

**警告！**自适应阈值处理（大内核）、形态学闭合（大内核）和轮廓检测对于大图像来说是昂贵的操作。有一些技术可以降低成本（比如在操作之前进行下采样），但它们超出了本文的范围。

编辑奖金内容：这是另一张图片，你张贴之前，由这个管道处理。