【OpenCV学习】（十二）图像分割与修复
背景
图像分割本质就是将前景目标从背景中分离出来。在当前的实际项目中，应用传统分割的并不多，大多是采用深度学习的方法以达到更好的效果；当然，了解传统的方法对于分割的整体认知具有很大帮助，本篇将介绍些传统分割的一些算法；
一、分水岭法
原理图如下：
利用二值图像的梯度关系，设置一定边界，给定不同颜色实现分割；
实现步骤：
标记背景 —— 标记前景 —— 标记未知区域（背景减前景） —— 进行分割
函数原型：
watershed（img，masker）：分水岭算法，其中masker表示背景、前景和未知区域；
distanceTransform（img，distanceType，maskSize）：矩离变化，求非零值到最近的零值的距离；
connectedComponents（img，connectivity，…）：求连通域；
代码实现：
img = cv2.imread('water_coins.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 加入cv2.THRESH_OTSU表示自适应阈值（实现更好的效果）
ret, thresh = cv2.threshold(gray, 100, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
# 开运算（去噪点）
kernel = np.ones((3,3), np.int8)
open1 = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations = 2)
#膨胀
beijing = cv2.dilate(open1, kernel, iterations = 1)
# 获取前景
tmp = cv2.distanceTransform(open1, cv2.DIST_L2, 5)
ret, qianjing = cv2.threshold(tmp, 0.7*tmp.max(), 255, cv2.THRESH_BINARY)
# 获取未知区域
beijingj = np.uint8(beijing)
qianjing = np.uint8(qianjing)
unknow = cv2.subtract(beijing, qianjing)
# 创建连通域
ret, masker = cv2.connectedComponents(qianjing)
masker = masker + 1
masker[unknow==255] = 0
# 进行图像分割
result = cv2.watershed(img, masker)
img[result == -1] = [0, 0, 255]
cv2.imshow('result', img)
cv2.waitKey(0)
二、GrabCut法
原理：通过交互的方式获得前景物体；
1、用户指定前景的大体区域，剩下的为背景区域；
2、用户可以明确指定某些地方为前景或背景；
3、采用分段迭代的方法分析前景物体形成模型树；
4、根据权重决定某个像素是前景还是背景；
函数原型：
grabCut（img，mask，rect，bgdModel，fbgModel，5，mode）
- mask：表示生成的掩码，函数输出的值，其中0表示背景、1表示前景、2表示可能背景、3表示可能前景；
代码如下：
class App:
flag_rect = False
rect=(0, 0, 0, 0)
startX = 0
startY = 0
def onmouse(self, event, x, y, flags, param):
if event == cv2.EVENT_LBUTTONDOWN:
self.flag_rect = True
self.startX = x
self.startY = y
print("LBUTTIONDOWN")
elif event == cv2.EVENT_LBUTTONUP:
self.flag_rect = False
cv2.rectangle(self.img,
(self.startX, self.startY),
(x, y),
(0, 0, 255),
3)
self.rect = (min(self.startX, x), min(self.startY, y),
abs(self.startX - x),
abs(self.startY -y))
print("LBUTTIONUP")
elif event == cv2.EVENT_MOUSEMOVE:
if self.flag_rect == True:
self.img = self.img2.copy()
cv2.rectangle(self.img,
(self.startX, self.startY),
(x, y),
(255, 0, 0),
3)
print("MOUSEMOVE")
print("onmouse")
def run(self):
print("run...")
cv2.namedWindow('input')
cv2.setMouseCallback('input', self.onmouse)
self.img = cv2.imread('./lena.png')
self.img2 = self.img.copy()
self.mask = np.zeros(self.img.shape[:2], dtype=np.uint8)
self.output = np.zeros(self.img.shape, np.uint8)
while(1):
cv2.imshow('input', self.img)
cv2.imshow('output', self.output)
k = cv2.waitKey(100)
if k == 27:
break
if k == ord('g'):
bgdmodel = np.zeros((1, 65), np.float64)
fgdmodel = np.zeros((1, 65), np.float64)
cv2.grabCut(self.img2, self.mask, self.rect,
bgdmodel, fgdmodel,
1,
cv2.GC_INIT_WITH_RECT)
# 注意np.where的用法可以用来筛选前景
mask2 = np.where((self.mask==1)|(self.mask==3), 255, 0).astype('uint8')
self.output = cv2.bitwise_and(self.img2, self.img2, mask=mask2)
由于效果并不是特别明显，并且运行时耗时会比较长，在这里就不展示了；
注意：np.where的用法需要掌握，可以将一个矩阵中选定的值与未选定的值做二值化的处理；
三、MeanShift法
实现原理：
- 并不是用来进行图像分割的，而是在色彩层面的平滑滤波；
- 中和色彩分布相近的颜色，平滑色彩细节，腐蚀掉面积较小的颜色区域；
- 以图像上任意点P为圆心，半径为sp，色彩幅值为sr进行不断的迭代；
函数原型：
pyrMeanShiftFiltering（img，sp，sr，…）
代码实现：
img = cv2.imread('flower.png')
result = cv2.pyrMeanShiftFiltering(img, 20, 30)
cv2.imshow('img', img)
cv2.imshow('result', result)
cv2.waitKey(0)
通过该函数可以实现色彩的平滑处理，做特效也是不错的（有种卡通化的效果），虽然该函数并不能直接做图像分割，但处理后的图像可以通过canny算法进行边缘检测；
Canny代码：
img = cv2.imread('key.png')
result = cv2.pyrMeanShiftFiltering(img, 20, 30)
img_canny = cv2.Canny(result, 150, 300)
contours, _ = cv2.findContours(img_canny, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, contours, -1, (0, 0, 255), 2)
cv2.imshow('img', img)
cv2.imshow('result', result)
cv2.imshow('canny', img_canny)
cv2.waitKey(0)
四、MOG前景背景分离法
首先需要了解视频的一些原理：
- 视频是一组连续帧组成的（一帧也可以看作一副图像）
- 帧与帧之间关系密切（又称为GOP）
- 在GOP中，背景几乎是不变的
主要有以下几种方法：
1、MOG去背景
原理：混合高斯模型为基础的前景、背景分割法；
函数原型：
createBackgroundSubtractorMOG（其中的默认值就不做讲解了）
代码实战：
cap = cv2.VideoCapture('./vtest.avi')
mog = cv2.bgsegm.createBackgroundSubtractorMOG()
while(True):
ret, frame = cap.read()
mask = mog.apply(frame)
cv2.imshow('img', mask)
k = cv2.waitKey(10)
if k == 27:
break
cap.release()
cv2.destroyAllWindows()
五、拓展方法
1、MOG2
说明：与MOG算法类似，但对于亮度产生的阴影有更好的识别效果，噪点更多；
函数原型：createBackgroundSubtractorMOG2（默认参数不作介绍）
效果展示：
2、GMG
说明：静态背景图像估计和每个像素的贝叶斯分割抗噪性更强；
函数原型：createBackgroundSubtractorGMG（）
效果展示：
总结：GMG开始会不显示一段时间，这是由于初始参考帧的数量和过大；对比业界的效果来看，这些传统方法的效果并不好，特别是对比深度学习的算法；但很多原理值得我们取思考借鉴，模型只是给出我们问题的优解，如果能将传统算法结合深度学习算法，那是否能在提速的同时，也达到一个可观的效果，这是我思考的一个点，欢迎大家发表自己的意见；
六、图像修复
说明：我们的图像往往会有一些马赛克的存在，特别是一些老照片会有不必要的图案，图像修复就是用于解决这类问题，并不等同于超清化；
函数原型：
inpaint（img，mask，inpaintRadius，两种方式：INPAINT_NS、INPAINT_TELEA）
代码案例：
img = cv2.imread('inpaint.png')
mask = cv2.imread('inpaint_mask.png', 0)
result = cv2.inpaint(img, mask, 5, cv2.INPAINT_TELEA)
cv2.imshow('img', img)
cv2.imshow('result', result)
cv2.waitKey()
总结：从结果来看，效果相当不错，但前提我们需要知道需要修复的部分，所以应用的场景也会比较局限；
总结
简单介绍了一些传统的一些图像分割算法，并没有涉及原理，感兴趣的可以自行了解；当然，现在业界的分割算法都采用深度学习的方式了，并且也有了很好的效果和落地应用，后续也会开对应的专栏，科普一下深度学习中分割算法的发展历史，其主要为模型的迭代了，感兴趣可以先了解下编解码这个结构；