OpenCV与图像处理学习十一——分水岭算法(含代码)

  • 一、分水岭算法概要
  • 二、分水岭算法步骤
  • 三、代码应用


一、分水岭算法概要

任意的灰度图像可以被看做是地质学表面,高亮度的地方是山峰,低亮度的地方是山谷。

opencv计算多张图片的平均图像_python


给每个孤立的山谷(局部最小值)不同颜色的水(标签),当水涨起来,根据周围的山峰(梯度),不同的山谷也就是不同的颜色会开始合并,要避免山谷合并,需要在水要合并的地方建立分水岭,直到所有山峰都被淹没,所创建的分水岭就是分割边界线,这个就是分水岭的原理。

二、分水岭算法步骤

  1. 将白色背景变成黑色背景——目的是为了后面的变换做准备
  2. 使用filter2D与拉普拉斯算子实现图像对比度的提高
  3. 转为二值图像
  4. 距离变换
  5. 对距离变换结果进行归一化[0-1]之间
  6. 使用阈值,在此二值化,得到标记
  7. 腐蚀每个peak erode
  8. 发现轮廓 findContours
  9. 绘制轮廓 drawContours
  10. 分水岭变换 watershed
  11. 对每个分割区域着色输出结果

三、代码应用

"""
完成分水岭算法步骤:
1、加载原始图像
2、阈值分割,将图像分割为黑白两个部分
3、对图像进行开运算,即先腐蚀在膨胀
4、对开运算的结果再进行 膨胀,得到大部分是背景的区域
5、通过距离变换 Distance Transform 获取前景区域
6、背景区域sure_bg 和前景区域sure_fg相减,得到即有前景又有背景的重合区域
7、连通区域处理
8、最后使用分水岭算法
"""

import cv2
import numpy as np

# Step1. 加载图像
img = cv2.imread('image/yezi.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# Step2.阈值分割,将图像分为黑白两部分
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
cv2.imshow("thresh", thresh)

# Step3. 对图像进行“开运算”,先腐蚀再膨胀
kernel = np.ones((3, 3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
cv2.imshow("opening", opening)

# Step4. 对“开运算”的结果进行膨胀,得到大部分都是背景的区域
sure_bg = cv2.dilate(opening, kernel, iterations=3)
cv2.imshow("sure_bg", sure_bg)

# Step5.通过distanceTransform获取前景区域
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)  # DIST_L1 DIST_C只能 对应掩膜为3    DIST_L2 可以为3或者5
ret, sure_fg = cv2.threshold(dist_transform, 0.1 * dist_transform.max(), 255, 0)

cv2.imshow("sure_fg", sure_fg)

# Step6. sure_bg与sure_fg相减,得到既有前景又有背景的重合区域   #此区域和轮廓区域的关系未知
sure_fg = np.uint8(sure_fg)
unknow = cv2.subtract(sure_bg, sure_fg)
cv2.imshow("unknow", unknow)

# Step7. 连通区域处理
ret, markers = cv2.connectedComponents(sure_fg, connectivity=8)     # 对连通区域进行标号  序号为 0 - N-1
markers = markers + 1           # OpenCV 分水岭算法对物体做的标注必须都 大于1 ,背景为标号 为0  因此对所有markers 加1  变成了  1  -  N
# 去掉属于背景区域的部分(即让其变为0,成为背景)
# 此语句的Python语法 类似于if ,“unknow==255” 返回的是图像矩阵的真值表。
markers[unknow==255] = 0

# Step8.分水岭算法
markers = cv2.watershed(img, markers)  # 分水岭算法后,所有轮廓的像素点被标注为  -1
print(markers)

img[markers == -1] = [0, 0, 255]   # 标注为-1 的像素点标 红
cv2.imshow("dst", img)
cv2.waitKey(0)
cv2.destroyAllWindows()

原图为:

opencv计算多张图片的平均图像_opencv计算多张图片的平均图像_02


使用大津阈值法二值化后的结果:

opencv计算多张图片的平均图像_python_03


开运算消除一些噪声(本例不明显):

opencv计算多张图片的平均图像_python_04


做膨胀操作,那么得到的背景区域一定是背景区域:

opencv计算多张图片的平均图像_python_05


做距离变换操作(或腐蚀),那么得到的前景一定为真正的前景:

opencv计算多张图片的平均图像_opencv_06


中间是既有前景又有背景的重合区域,此区域和轮廓区域的关系未知:

opencv计算多张图片的平均图像_opencv_07


分水岭算法之后的效果为:

opencv计算多张图片的平均图像_opencv计算多张图片的平均图像_08