Python opencv图像处理基础总结(七) 基于分水岭算法的图像分割

叶庭云

发布于 2022-05-09 08:57:15

1.5K0

发布于 2022-05-09 08:57:15

文章被收录于专栏：Python进阶之路Python进阶之路

文章目录

一、原理
- 1. 分水岭算法原理
- 2. 距离变换
- 3. opencv有关函数的用法
二、基于距离的分水岭分割流程
三、python代码实现

一、原理

1. 分水岭算法原理

任何一副灰度图像都可以被看成拓扑平面，灰度值高的区域可以被看成是山峰，灰度值低的区域可以被看成是山谷。我们向每一个山谷中灌不同颜色的水。随着水的位的升高，不同山谷的水就会相遇汇合，为了防止不同山谷的水汇合，我们需要在水汇合的地方构建起堤坝。不停地灌水，不停地构建堤坝知道所有的山峰都被水淹没。我们构建好的堤坝就是对图像的分割，这就是分水岭算法的背后原理。
OpenCV采用了基于掩模的分水岭算法，在这种算法中我们要设置那些山谷点会汇合，那些不会。这是一种交互式的图像分割，我们要做的就是给我们已知的对象打上不同的标签。如果某个区域肯定是前景或对象，就使用某个颜色（或灰度值）标签标记它。如果某个区域肯定不是对象而是背景就使用另外一个颜色标签标记。而剩下的不能确定是前景还是背景的区域就用 0 标记，这就是我们的标签。然后实施分水岭算法。每一次灌水，我们的标签就会被更新，当两个不同颜色的标签相遇时就构建堤坝，直到将所有山峰淹没，最后我们得到的边界对象（堤坝）的值为 -1。

2. 距离变换

距离变换的基本含义是计算一个图像中非零像素点到最近的零像素点的距离，也就是到零像素点的最短距离。
最常见的距离变换算法就是通过连续的腐蚀操作来实现，腐蚀操作的停止条件是所有前景像素都被完全。
腐蚀。这样根据腐蚀的先后顺序，我们就得到各个前景像素点到前景中心骨架像素点的距离。
根据各个像素点的距离值，设置为不同的灰度值。这样就完成了二值图像的距离变换。

3. opencv有关函数的用法

cv2.distanceTransform(src, distanceType, maskSize, dst=None, dstType=None)

src：输入二值图像
distanceType：计算距离的方式
maskSize：蒙板尺寸

cv2.connectedComponents(image, labels=None, connectivity=None, ltype=None)

image：输入8位单通道图像
labels：输出标签地图
connectivity：连通性，默认8，还可以取4。
Itype：输出标签类型，默认 CV_32S，还可以取CV_16U。

cv2.watershed(image, markers)

image：输入图像
markers：标记

二、基于距离的分水岭分割流程

输入图像，有噪声的话，先进行去噪。
转成灰度图像
二值化处理、形态学操作
距离变换
寻找种子、生成marker
实施分水岭算法、输出分割后的图像

三、python代码实现

# -*- coding: UTF-8 -*-
"""
@公众号      ： AI庭云君
@Author     ： 叶庭云
@CSDN       ： https://yetingyun.blog.csdn.net/
"""
import cv2 as cv
import numpy as np


def watershed_algorithm(image):
    # 边缘保留滤波EPF  去噪
    blur = cv.pyrMeanShiftFiltering(image,sp=10,sr=100)
    # 转成灰度图像
    gray = cv.cvtColor(blur, cv.COLOR_BGR2GRAY)
    # 得到二值图像   自适应阈值
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow('binary image', binary)

    # 形态学操作   获取结构元素  开操作
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
    opening = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel=kernel, iterations=2)
    # 确定区域
    sure_bg = cv.dilate(opening, kernel, iterations=3)
    # cv.imshow('mor-opt', sure_bg)

    # 距离变换
    dist = cv.distanceTransform(opening, cv.DIST_L2, 3)
    dist_out = cv.normalize(dist, 0, 1.0, cv.NORM_MINMAX)
    # cv.imshow('distance-', dist_out * 50)
    ret, surface = cv.threshold(dist_out, dist_out.max() * 0.6, 255, cv.THRESH_BINARY)
    # cv.imshow('surface-markers', surface)

    surface_fg = np.uint8(surface)    # 转成8位整型
    unkonown = cv.subtract(sure_bg, surface_fg)        # 找到位置区域
    # Marker labelling
    ret, markers = cv.connectedComponents(surface_fg)  # 连通区域
    print(ret)

    # 分水岭变换
    # Add one to all labels so that sure background is not 0, but 1
    markers = markers + 1
    # Now, mark the region of unknown with zero
    markers[unkonown == 255] = 0
    # 实施分水岭算法了。标签图像将会被修改，边界区域的标记将变为 -1
    markers = cv.watershed(image, markers=markers)
    image[markers == -1] = [0, 0, 255]      # 被标记的区域   设为红色
    cv.imshow('result', image)


src = cv.imread(r'./test/042.png')
src = cv.resize(src, None, fx=0.5, fy=0.5)
cv.imshow('input image', src)
watershed_algorithm(src)
cv.waitKey(0)
cv.destroyAllWindows()

运行效果如下：