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

Posted 2022-05-19 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182.基于形态学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】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
 【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】183.基于轮廓标记的分水岭算法
 【youcans 的 OpenCV 例程200篇】184.鼠标交互标记的分水岭算法

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

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： $d i s t = ∣ x 1 - x 2 ∣ + ∣ y 1 - y 2 ∣$
- cv.DIST_L2：欧几里德距离
- cv.DIST_C： $d i s t = m a x (∣ x 1 - x 2 ∣, ∣ y 1 - y 2 ∣)$
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 11.39 基于形态学梯度的分水岭算法

梯度处理可以使用 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对微弱的边缘有着良好的响应，但图像中的噪声容易导致图像的过分割。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。

    # 11.39 基于形态学梯度的分水岭算法
    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

    # 图像的形态学梯度
    kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5))  # 生成 5*5 结构元
    grad = cv2.morphologyEx(gray, cv2.MORPH_GRADIENT, kernel)  # 形态学梯度

    # 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 xupt")
    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）

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/124813539)

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

以上是关于youcans 的 OpenCV 例程200篇182.基于形态学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