youcans 的 OpenCV 例程200篇181.基于 Sobel 梯度的分水岭算法

Posted 小白YouCans

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了youcans 的 OpenCV 例程200篇181.基于 Sobel 梯度的分水岭算法相关的知识,希望对你有一定的参考价值。

OpenCV 例程200篇 总目录-202205更新


【youcans 的 OpenCV 例程200篇】181.基于 Sobel 梯度的分水岭算法


7. 图像分割之分水岭算法

分水岭算法是一种图像区域分割法,以临近像素间的相似性作为重要特征,从而将空间位置相近且灰度值相近的像素点互相连接起来,构成一个封闭的轮廓。

分水岭算法是基于形态学的图像分割方法,体现了边缘检测、阈值处理和区域提取的概念和思想,往往会产生更稳定的分割结果。算法的实现过程可以理解为洪水淹没的过程:最低点首先被淹没,然后水逐渐淹没整个山谷;水位升高到一定高度就会溢出,于是在溢出位置修建堤坝;不断提高水位,重复上述过程,直到所有的点全部被淹没;所建立的一系列堤坝就成为分隔各个盆地的分水岭。

分水岭的计算过程是一个迭代标注过程,通过寻找集水盆和分水岭对图像进行分割。经典的分水岭算法分为排序过程和淹没过程两个步骤,首先对每个像素的灰度级从低到高排序,然后在从低到高的淹没过程中,对每一个局部极小值在 h 阶高度的影响域进行判断及标注。

OpenCV 提供了函数 cv.watershed 实现基于标记的分水岭算法。

使用函数 cv.watershed 需要输入一个CV_32S 类型的标记图像,图像中每个非零像素代表一个标签。对图像中部分像素做标记,表明它的所属区域是已知的。

cv.watershed(image, markers[, ]	) → markers 

参数说明:

  • image:输入图像,8-bit/3-channel 彩色图像
  • markers:标记图像,32-bit 单通道图像,大小与 image 相同

注意事项:

  • 分水岭算法要求必须在标记图像 markers 中用索引勾勒出需要分割的区域,每个区域被赋值为 1、2、3… 等索引编号,对应于不同的目标物体。
  • 图像标记 markers 中未知区域的像素值设置为 0,通过分水岭算法确定这些像素属于背景还是前景区域。
  • 输出的图像标记 markers 中,每个像素都被赋值为 1、2、3… 等索引编号,或以 -1 表示区域之间的边界(分水岭)。

OpenCV 提供了函数 cv.distanceTransform 实现距离变换,计算图像中每个像素到最近的零像素点的距离。

函数说明:

cv.distanceTransform(src, distanceType, maskSize[, dst=None, dstType=CV_32F]) → dst
cv.distanceTransformWithLabels(src, distanceType, maskSize[, dst=None, labels=None, labelType=DIST_LABEL_CCOMP]) → dst, labels

参数说明:

  • src:输入图像,8-bit 单通道灰度图像
  • distanceType:距离的类型
    • cv.DIST_USER:用户定义的距离
    • cv.DIST_L1: d i s t = ∣ x 1 − x 2 ∣ + ∣ y 1 − y 2 ∣ dist = |x1-x2|+|y1-y2| dist=x1x2+y1y2
    • cv.DIST_L2:欧几里德距离
    • cv.DIST_C: d i s t = m a x ( ∣ x 1 − x 2 ∣ , ∣ y 1 − y 2 ∣ ) dist = max(|x1-x2|, |y1-y2|) dist=max(x1x2,y1y2)
  • maskSize:距离变换遮罩的大小,通常取 3, 5
  • labelType:生成的标签数组的类型
    • cv.DIST_LABEL_CCOMP:每个连接的零组件(及最接近连接组件的所有非零像素)被指定相同的标签
    • cv.DIST_LABEL_PIXEL:每个零像素(及离它最近的所有非零像素)都有自己的标签
  • dst:计算距离的输出图像,8-bit 或 32-bit 单通道图像,大小与 src 相同
  • labels:标签的输出图像,CV_32SC1类型, 大小与 src 相同

例程 11.38 基于 Sobel 梯度的分水岭算法

在分水岭算法之前通常要对图像进行滤波以消除噪点,但也使弱边缘被平滑,分水岭的峰值弱化。梯度处理可以强化边缘,把梯度图像作为输入图像,可以避免弱边缘在分水岭填充过程中被淹没。可以使用 Sobel、Canny 梯度算子,也可以用形态学梯度操作获得梯度图像。

基于梯度的分水岭算法通过梯度函数使得集水盆只响应想要探测的目标,对微弱边缘也有良好的响应,但图像中的噪声容易导致过分割。对此,在对梯度图像进行阈值分割转换为二值图像后,运用开运算消除噪点非常重要,可以有效地抑制梯度图像的过分割。

基于梯度的分水岭算法的步骤为:

(1)首先对图像进行梯度处理获得梯度图像,阈值分割将梯度图像转换为二值图像,运用开运算消除噪点;
(2)通过形态学的膨胀操作,生成 “确定背景” 区域 sureBG;
(3)通过距离变换,并由阈值分割得到高亮区域,生成 “确定前景” 区域 sureFG;
(4)对 “确定前景” 区域 sureFG 进行连通性分析,标记为不同的连通域编号,即对多个分割目标进行编号;
(5)“确定前景” 区域 sureFG 与 “确定背景” 区域重合的部分,作为 “待定区域” unknown;
(6)从连通域标记图像中去除 “确定背景” 区域,作为分水岭算法的标注图像;
(7)基于标记图像使用分水岭算法进行分割,得到各个分割目标的轮廓;
(8)把目标的轮廓添加到原始图像上。

    # 11.38 基于 Sobel 梯度的分水岭算法
    img = cv2.imread("../images/Fig1039a.tif", flags=1)  # 读取彩色图像(BGR)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转为灰度图像

    # 高斯模糊
    Gauss = cv2.GaussianBlur(gray, (5,5), sigmaX=10.0)
    # 计算 Sobel 梯度算子
    SobelX = cv2.Sobel(Gauss, cv2.CV_32F, 1, 0)  # 计算 x 轴方向
    SobelY = cv2.Sobel(Gauss, cv2.CV_32F, 0, 1)  # 计算 y 轴方向
    grad = np.uint8(cv2.normalize(np.sqrt(SobelX**2+SobelY**2), None, 0, 255, cv2.NORM_MINMAX))

    # 阈值分割,将灰度图像分为黑白二值图像
    _, thresh = cv2.threshold(np.uint8(grad), 0.2*grad.max(), 255, cv2.THRESH_BINARY)
    # 形态学操作,生成 "确定背景" 区域
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 生成 3*3 结构元
    opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)  # 开运算,消除噪点
    sure_bg = cv2.dilate(opening, kernel, iterations=3)  # 膨胀操作,生成 "确定背景" 区域
    # 距离变换,生成 "确定前景" 区域
    distance = cv2.distanceTransform(opening, cv2.DIST_L2, 5)  # DIST_L2: 3/5
    _, sure_fg = cv2.threshold(distance, 0.1 * distance.max(), 255, 0)  # 阈值选择 0.1*max 效果较好
    sure_fg = np.uint8(sure_fg)
    # 连通域处理
    ret, component = cv2.connectedComponents(sure_fg, connectivity=8)  # 对连通区域进行标号,序号为 0-N-1
    markers = component + 1  # OpenCV 分水岭算法设置标注从 1 开始,而连通域编从 0 开始
    kinds = markers.max()  # 标注连通域的数量
    maxKind = np.argmax(np.bincount(markers.flatten()))  # 出现最多的序号,所占面积最大,选为底色
    markersBGR = np.ones_like(img) * 255
    for i in range(kinds):
        if (i!=maxKind):
            colorKind = [np.random.randint(0, 255), np.random.randint(0, 255), np.random.randint(0, 255)]
            markersBGR[markers==i] = colorKind
    # 去除连通域中的背景区域部分
    unknown = cv2.subtract(sure_bg, sure_fg)  # 待定区域,前景与背景的重合区域
    markers[unknown == 255] = 0  # 去掉属于背景的区域 (置零)
    # 分水岭算法标注目标的轮廓
    markers = cv2.watershed(img, markers)  # 分水岭算法,将所有轮廓的像素点标注为 -1
    kinds = markers.max()  # 标注连通域的数量

    # 把轮廓添加到原始图像上
    imgWatershed = img.copy()
    imgWatershed[markers == -1] = [0, 0, 255]  # 将分水岭算法标注的轮廓点设为红色
    print(img.shape, markers.shape, markers.max(), markers.min(), ret)

    plt.figure(figsize=(10, 6))
    plt.subplot(231), plt.axis('off'), plt.title("Origin image")
    plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))  # 显示 img(RGB)
    plt.subplot(232), plt.axis('off'), plt.title("Gradient")
    plt.imshow(grad, 'gray')  # 钝化掩蔽
    plt.subplot(233), plt.axis('off'), plt.title("Sure_bg")
    plt.imshow(sure_bg, 'gray')  # 确定背景
    plt.subplot(234), plt.axis('off'), plt.title("Sure_fg")
    plt.imshow(sure_fg, 'gray')  # 确定前景
    plt.subplot(235), plt.axis('off'), plt.title("Markers")
    # plt.imshow(markers, 'gray')  # 图像标注
    plt.imshow(cv2.cvtColor(markersBGR, cv2.COLOR_BGR2RGB))
    plt.subplot(236), plt.axis('off'), plt.title("Watershed")
    plt.imshow(cv2.cvtColor(imgWatershed, cv2.COLOR_BGR2RGB))
    plt.tight_layout()
    plt.show()    



(本节完)


版权声明:

OpenCV 例程200篇 总目录-202205更新
youcans@xupt 原创作品,转载必须标注原文链接:(https://blog.csdn.net/youcans/article/details/124766231)

Copyright 2022 youcans, XUPT
Crated:2022-5-15


欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列,持续更新中
欢迎关注 『youcans 的 OpenCV学习课』 系列,持续更新中

【youcans 的 OpenCV 例程200篇】147. 图像分割之孤立点检测
【youcans 的 OpenCV 例程200篇】148. 图像分割之线检测
【youcans 的 OpenCV 例程200篇】149. 图像分割之边缘模型
【youcans 的 OpenCV 例程200篇】150. 边缘检测梯度算子
【youcans 的 OpenCV 例程200篇】151. 边缘检测中的平滑处理
【youcans 的 OpenCV 例程200篇】152. 边缘检测之 LoG 算子
【youcans 的 OpenCV 例程200篇】153. 边缘检测之 DoG 算子
【youcans 的 OpenCV 例程200篇】154. 边缘检测之 Canny 算子
【youcans 的 OpenCV 例程200篇】155. 边缘连接的局部处理方法
【youcans 的 OpenCV 例程200篇】156. 边缘连接局部处理的简化算法
【youcans 的 OpenCV 例程200篇】157. 霍夫变换直线检测
【youcans 的 OpenCV 例程200篇】158. 阈值处理之固定阈值法
【youcans 的 OpenCV 例程200篇】159. 图像分割之全局阈值处理
【youcans 的 OpenCV 例程200篇】160. 图像处理之OTSU 方法
【youcans 的 OpenCV 例程200篇】161. OTSU 阈值处理算法的实现
【youcans 的 OpenCV 例程200篇】162. 全局阈值处理改进方法
【youcans 的 OpenCV 例程200篇】163. 基于边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】164.使用 Laplace 边缘信息改进全局阈值处理
【youcans 的 OpenCV 例程200篇】165.多阈值 OTSU 处理方法
【youcans 的 OpenCV 例程200篇】166.自适应阈值处理
【youcans 的 OpenCV 例程200篇】167.基于移动平均的可变阈值处理
【youcans 的 OpenCV 例程200篇】168.图像分割之区域生长
【youcans 的 OpenCV 例程200篇】169.图像分割之区域分离
【youcans 的 OpenCV 例程200篇】170.图像分割之K均值聚类
【youcans 的 OpenCV 例程200篇】171.SLIC 超像素区域分割
【youcans 的 OpenCV 例程200篇】172.SLIC 超像素区域分割算法比较
【youcans 的 OpenCV 例程200篇】173.SEEDS 超像素区域分割
【youcans 的 OpenCV 例程200篇】174.LSC 超像素区域分割
【youcans 的 OpenCV 例程200篇】175.超像素区域分割方法比较
【youcans 的 OpenCV 例程200篇】176.图像分割之均值漂移算法
【youcans 的 OpenCV 例程200篇】177.图像分割之 GraphCuts 图割法
【youcans 的 OpenCV 例程200篇】178.图像分割之 GrabCut 图割法(框选前景)
【youcans 的 OpenCV 例程200篇】179.图像分割之 GrabCut 图割法(掩模图像)
【youcans 的 OpenCV 例程200篇】180.基于距离变换的分水岭算法
【youcans 的 OpenCV 例程200篇】181.基于 Sobel 梯度的分水岭算法

以上是关于youcans 的 OpenCV 例程200篇181.基于 Sobel 梯度的分水岭算法的主要内容,如果未能解决你的问题,请参考以下文章

youcans 的 OpenCV 例程200篇182.基于形态学梯度的分水岭算法

youcans 的 OpenCV 例程200篇结束语

youcans的OpenCV例程200篇总目录

youcans 的 OpenCV 例程200篇179.图像分割之 GrabCut 图割法(掩模图像)

youcans 的 OpenCV 例程200篇201. 图像的颜色空间转换

OpenCV 例程200篇 目录-202205更新