[人工智能]【youcans 的 OpenCV 例程200篇】183.基于轮廓标记的分水岭算法

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】183.基于轮廓标记的分水岭算法

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：$dist=|x1?x2|+|y1?y2|$
  • cv.DIST_L2：欧几里德距离
  • cv.DIST_C：$dist=max(|x1?x2|,|y1?y2|)$
• 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 11.40 基于轮廓标记的分水岭算法

基于标记的分水岭算法的思想是利用先验知识来帮助分割。本例程先用梯度算子进行边缘检测，然后通过查找图像轮廓，生成标记图像来引导分割。

基于轮廓标记的分水岭算法的步骤为：

（1）对图像进行梯度处理获得梯度图像；
（2）对梯度图像查找和绘制轮廓；
（3）基于轮廓图像生成标记图像；
（4）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；
（5）把目标的轮廓添加到原始图像上；
（6）用随机颜色填充分割图像。

    # 11.40 基于轮廓标记图像的分水岭算法
    img = cv2.imread("../images/imgLena.tif", flags=1)  # 读取彩色图像(BGR)
    # img = cv2.imread("../images/imgTina.png", flags=1)  # 读取彩色图像(BGR)
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 转为灰度图像

    # 查找和绘制图像轮廓
    Gauss = cv2.GaussianBlur(gray, (5,5), sigmaX=4.0)
    grad = cv2.Canny(Gauss, 50, 150)  # Canny 梯度算子

    # grad = cv2.Canny(gray, 80, 150)  # Canny 梯度算子
    grad, contours, hierarchy = cv2.findContours(grad, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)  # 查找图像轮廓
    markers = np.zeros(img.shape[:2], np.int32)  # 生成标识图像，所有轮廓区域标识为索引号 (index)
    for index in range(len(contours)):  # 用轮廓的索引号 index 标识轮廓区域
        markers = cv2.drawContours(markers, contours, index, (index, index, index), 1, 8, hierarchy)
    ContoursMarkers = np.zeros(img.shape[:2], np.uint8)
    ContoursMarkers[markers>0] = 255  # 轮廓图像，将所有轮廓区域标识为白色 (255)

    # 分水岭算法
    markers = cv2.watershed(img, markers)  # 分水岭算法，所有轮廓的像素点被标注为 -1
    WatershedMarkers = cv2.convertScaleAbs(markers)
    # 用随机颜色填充分割图像
    bgrMarkers = np.zeros_like(img)
    for i in range(len(contours)):  # 用随机颜色进行填充
        colorKind = [np.random.randint(0, 255), np.random.randint(0, 255), np.random.randint(0, 255)]
        bgrMarkers[markers==i] = colorKind
    bgrFilled = cv2.addWeighted(img, 0.67, bgrMarkers, 0.33, 0)  # 填充后与原始图像融合

    print(len(contours))
    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')  # Canny 梯度算子
    plt.subplot(233), plt.axis('off'), plt.title("Contours markers")
    plt.imshow(ContoursMarkers, 'gray')  # 轮廓
    plt.subplot(234), plt.axis('off'), plt.title("Watershed markers")
    plt.imshow(WatershedMarkers, 'gray')  # 确定背景
    plt.subplot(235), plt.axis('off'), plt.title("Color Markers")
    plt.imshow(cv2.cvtColor(bgrMarkers, cv2.COLOR_BGR2RGB))
    plt.subplot(236), plt.axis('off'), plt.title("Cutted image")
    plt.imshow(cv2.cvtColor(bgrFilled, 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/124813571)

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
【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

开发者涨薪指南

48位大咖的思考法则、工作方式、逻辑体系