3-3-使用分水嶺算法對圖像進行分割

圖像分割使用分水嶺算法對圖像進行分割目錄CONTENTS分水嶺算法的核心思想分水嶺算法對應(yīng)的函數(shù)使用分水嶺算法實現(xiàn)圖像分割01分水嶺算法的核心思想分水嶺算法的核心思想（1）分水嶺把圖像中每一點像素的灰度值理解為該點的海拔高度，每一個局部極小值及其影響區(qū)域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個局部極小值位置，刺穿一個小孔，然后把整個模型慢慢浸入水中，隨著浸入的加深，每一個局部極小值的影響域慢慢向外擴展，在兩個集水盆匯合處構(gòu)筑大壩，即形成分水嶺。分水嶺算法的核心思想（2）分水嶺計算過程分水嶺計算分兩個過程：先排序，然后淹沒。首先對每個像素的灰度級進行從低到高排序，然后在從低到高實現(xiàn)淹沒過程，在該過程中，對每一個局部極小值在h階高度的影響域采用先進先出(FIFO)結(jié)構(gòu)進行判斷及標注。02分水嶺算法對應(yīng)的函數(shù)分水嶺算法對應(yīng)的函數(shù)函數(shù)markerswatershed(img,markers)其中img是需要分割的圖像，必須是一個8位的3通道彩色圖像，第二個參數(shù)是markers，markers是對圖相中區(qū)域的標記，圖像中可能包含不同的區(qū)域，每個區(qū)域有一個自己唯一的編號，區(qū)域的定位可以通過findContours方法實現(xiàn)，在使用分水嶺算法之前需要初始化這個markers。分水嶺算法對應(yīng)的函數(shù)函數(shù)功能算法會根據(jù)markers傳入的區(qū)域作為種子（也就是所謂的注水點），對圖像上其它的像素點根據(jù)分水嶺算法規(guī)則進行判斷，并對每個像素點的區(qū)域歸屬進行劃定，直到處理完所有的像素點。而區(qū)域和區(qū)域之間的分界處的值被置為-1，以做區(qū)分。參數(shù)中的markers必須包含種子點信息，可以通過手工方式標記。分水嶺算法執(zhí)行之后，會返回markers，這里包含了使用-1表示的分界信息。之后可以根據(jù)該信息對圖像進行分割。03使用分水嶺算法實現(xiàn)圖像分割使用分水嶺算法實現(xiàn)圖像分割（1）引入相關(guān)包importcv2importnumpyasnp使用分水嶺算法實現(xiàn)圖像分割（2）加載圖片如果圖片位置與當前程序在相同的位置，則可以使用下面的相對路徑，如果圖片不在當前位置，則需要寫出來圖片的絕對地址。img=cv2.imread('images/mourse.jpg')加載圖像之后需要轉(zhuǎn)換為灰度圖像：gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)使用分水嶺算法實現(xiàn)圖像分割（3）轉(zhuǎn)換為二值圖像ret,thresh=cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)參數(shù)THRESH_BINARY_INV表示大于閾值的像素的值被設(shè)置為0，小于閾值的像素的值被設(shè)置為255，也就是把亮的部分變成黑的，把暗的部分變成白的，所以適合的場景是目標接近黑色、背景接近白色的場景。THRESH_OTSU表示根據(jù)圖像的直方圖自動計算二值化的閾值，這時候threshold方法中第二個參數(shù)使用0。如果自己明確知道使用什么閾值合適，也可以直接指定閾值。使用分水嶺算法實現(xiàn)圖像分割（4）對圖像進行開運算對圖像進行開運算，先腐蝕再膨脹，能夠去除圖像中的部分噪音數(shù)據(jù)，卷積核kernel的大小和迭代次數(shù)iterations都會影響去噪的效果。下面的代碼完成了對圖像的開運算操作：kernel=np.ones((3,3),np.uint8)opening=cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel,iterations=2)上面的開運算使用的核是3*3大小，值都被初始化為1，迭代次數(shù)是2，可以根據(jù)圖像本身的情況調(diào)整這些參數(shù)來得到更好的效果。二值化圖像中右上角的白色區(qū)域經(jīng)過開運算已經(jīng)不存在了。使用分水嶺算法實現(xiàn)圖像分割（5）對圖像進行閉運算對圖像進行閉運算，先膨脹再腐蝕，能夠去除圖像中的目標中包含的部分噪音數(shù)據(jù)，卷積核kernel的大小和迭代次數(shù)iterations都會影響去噪的效果。closing=cv2.morphologyEx(opening,cv2.MORPH_CLOSE,kernel,iterations=20)開運算使用的核是3*3大小，值都被初始化為1，迭代次數(shù)是20，因為前景中包含的黑色區(qū)域比較大?？梢愿鶕?jù)圖像本身的情況調(diào)整這些參數(shù)來得到更好的效果。圖是進行閉運算之后的效果。從圖中可以看出經(jīng)過開運算之后目標內(nèi)部的黑色區(qū)域已經(jīng)不存在了。使用分水嶺算法實現(xiàn)圖像分割（6）得到背景區(qū)域?qū)﹂]運算的結(jié)果進行膨脹，這樣就增加了前景（白色）占用的空間，剩下的黑色部分大部分就應(yīng)該是背景了。sure_bg=cv2.dilate(opening,kernel,iterations=3)這里使用的核還是前面進行開運算的核，迭代次數(shù)為3。運行的效果，黑色區(qū)域就是背景部分了。使用分水嶺算法實現(xiàn)圖像分割（7）獲取前景區(qū)域通過distanceTransform獲取前景區(qū)域，先介紹一下該函數(shù)的用法。函數(shù)distanceTransform()用于計算圖像中每一個非零點像素與其最近的零點像素之間的距離，輸出的是保存每一個非零點與最近零點的距離信息。這樣，越靠近背景的區(qū)域值越小，距離背景越遠的區(qū)域值越大，結(jié)果圖像上越亮的點，代表了離零點的距離越遠。它的主要用途：可以根據(jù)距離變換的這個性質(zhì)，經(jīng)過簡單的運算，用于細化字符的輪廓和查找物體質(zhì)心（中心）。使用分水嶺算法實現(xiàn)圖像分割（7）獲取前景區(qū)域函數(shù)的定義如下：dist_transform=cv2.distanceTransform(src,distanceType,maskSize)src是要進行距離轉(zhuǎn)換的原始圖像distanceType表示距離的計算方式參數(shù)maskSize表示距離變換掩膜大小，取值3或者5。使用分水嶺算法實現(xiàn)圖像分割distanceType的值cv2.DIST_L1，相當于1，距離的計算公式：|x1-x2|+|y1-y2|，曼哈頓距離cv2.DIST_L2，相當于2，簡單的歐式距離；cv2.DIST_C，相當于3，距離的計算公式：max(|x1-x2|,|y1-y2|)；DIST_L12，相當于4，距離的計算公式：2(sqrt(1+x*x/2)-1))；cv2.DIST_FAIR，相當于5，距離的計算公式：c^2(|x|/c-log(1+|x|/c)),c=1.3998；cv2.DIST_WELSCH，相當于6，距離的計算公式：c^2/2(1-exp(-(x/c)^2)),c=2.9846；cv2.DIST_HUBER，相當于7，距離的計算公式：|x|<c?x^2/2:c(|x|-c/2),c=1.345；使用分水嶺算法實現(xiàn)圖像分割（7）獲取前景區(qū)域通過distanceTransform得到了閉操作的結(jié)果對應(yīng)的距離變換圖形dist_transform=cv2.distanceTransform(closing,cv2.DIST_L2,5)cv2.DIST_L2表示距離的計算采用的是歐氏距離，maskSize的大小是5。dist_transform中值越大越可能是前景，下面的代碼通過二值化操作獲取前景區(qū)域：ret,sure_fg=cv2.threshold(dist_transform,0.3*dist_transform.max(),255,0)代碼中使用0.3*dist_transform.max()得到區(qū)域相對比較大，如果希望得到的區(qū)域比較小，可以把0.3替換成更大的值，如果希望得到較大的區(qū)域，可以把0.3替換成較小的值。效果圖展示的是0.3對應(yīng)的前景的大小。使用分水嶺算法實現(xiàn)圖像分割（8）得到重合區(qū)域使用sure_bg與sure_fg相減，得到既有前景又有背景的重合區(qū)域：sure_fg=np.uint8(sure_fg)unknow=cv2.subtract(sure_bg,sure_fg)此時顯示的白色部分既可能是前景（目標區(qū)域）也可能是背景。圖中顯示了運行結(jié)果，中間的白色圓環(huán)就是重合區(qū)域，實際上就是目標和背景之間的連接部分。使用分水嶺算法實現(xiàn)圖像分割（9）創(chuàng)建標簽為前景創(chuàng)建標簽，標簽與原圖像大小相同，數(shù)據(jù)類型為int32的數(shù)組。對于已經(jīng)確定分類的區(qū)域，也就是背景和前景，使用整數(shù)標記，不確定的區(qū)域用0標記?？梢允褂胏onnectedComponents函數(shù)完成該功能使用分水嶺算法實現(xiàn)圖像分割（9）創(chuàng)建標簽ret,markers=cv2.connectedComponents(sure_fg)該方法將背景標記為0，把其他標記為從1開始的正整數(shù)。但是如果背景標記為0，那么分水嶺算法會將其當成位置區(qū)域，所以使用1來表示背景，對于不確定的區(qū)域標記為0，下面的代碼完成了該設(shè)置：markers=markers+1markers[unknow==255]=0使用分水嶺算法實現(xiàn)圖像分割（10）調(diào)用分水嶺算法markers=cv2.watershed(img,markers)使用綠色標記分水嶺：img[markers==-1]=[0,255,0]使用分水嶺算法實現(xiàn)圖像分割#導(dǎo)入庫importnumpyasnpimportcv2#讀取圖像img=cv2.imread('images/mouse.jpg',1)cv2.imshow('ori',img)#轉(zhuǎn)換為灰度圖gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#二值化ret,thresh=cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)cv2.imshow('thresh',thresh)#開運算（去除外部噪聲數(shù)據(jù)）kernel=np.ones((3,3),np.uint8)opening=cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel,iterations=2)cv2.imshow('opening',opening)使用分水嶺算法實現(xiàn)圖像分割#閉運算（去除內(nèi)部噪聲數(shù)據(jù)）closing=cv2.morphologyEx(opening,cv2.MORPH_CLOSE,kernel,iterations=20)cv2.imshow('closing',closing)#膨脹后確定的背景區(qū)域sure_bg=cv2.dilate(closing,kernel,iterations=3)cv2.imshow('sure_bg',sure_bg)#通過距離變換換數(shù)得到前景區(qū)域dist_transform=cv2.distanceTransform(closing,1,5)ret,sure_fg=cv2.threshold(dist_transform,0.3*dist_transform.max(),255,0)cv2.imshow('sure_fg',sure_fg)#找到連接區(qū)域（不確定區(qū)域）sure_fg=np.uint8(sure_fg)unknown=cv2.subtract(sure_bg,sure_fg)cv2.imshow('unknown',unknown)使用分水嶺算法實現(xiàn)圖像分割#標記標簽ret,markers1=cv2.connectedComponents(sure_fg)#為所有標簽加上1，這樣背景就是1了不是0了markers=markers1+1#把位置區(qū)域標記為0markers[unknown==255]=0#調(diào)用分水嶺算法進行計算markers3=cv2.watershed(img,markers)#使用綠色來標記分割線img[markers3==-1]=[0,255,0]cv2.imshow("img",img)#關(guān)閉窗