OpenCV---分水岭算法

时间 2019-11-30

标签 opencv 分水岭算法繁體版

原文原文链接

推文：

OpenCV学习(7) 分水岭算法(1)（原理简介简单明了）

OpenCV-Python教程:31.分水岭算法对图像进行分割（步骤讲解不错）

使用分水岭算法进行图像分割

（一）获取灰度图像，二值化图像，进行形态学操做，消除噪点

def watershed_demo(image):
    blur = cv.pyrMeanShiftFiltering(image,10,100)
    gray = cv.cvtColor(blur,cv.COLOR_BGR2GRAY)　　#获取灰度图像
    ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)　　#将图像转为黑色和白色部分
    cv.imshow("binary",binary)　　#获取二值化图像

    #形态学操做，进一步消除图像中噪点
    kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,3))
    mb = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel,iterations=2)  #iterations连续两次开操做，消除图像的噪点

（二）在距离变换前加上一步操做：经过对上面形态学去噪点后的图像，进行膨胀操做，能够获得大部分都是背景的区域（原黑色不是咱们须要的部分是背景）

    sure_bg = cv.dilate(mb,kernel,iterations=3) #3次膨胀,能够获取到大部分都是背景的区域

（三）使用距离变换distanceTransform获取肯定的前景色

根据distanceTransform获取距离背景最小距离的结果（详细看下面相关知识补充） 根据distanceTransform操做的结果，设置一个阈值，使用threshold决定哪些区域是前景，这样获得正确结果的几率很高

    dist = cv.distanceTransform(mb,cv.DIST_L2,5)　　#获取距离数据结果
    ret, sure_fg = cv.threshold(dist,dist.max()*0.6,255,cv.THRESH_BINARY)　　#获取前景色

相关知识补充（重点）

（1）距离变换原理html

推文：图像识别中距离变换的原理及做用详解,并附用OpenCV中的distanceTransform实现距离变换的代码!（距离变换的定义讲得不错）算法

距离变换的处理图像一般都是二值图像，而二值图像其实就是把图像分为两部分，即背景和物体两部分，物体一般又称为前景目标！
一般咱们把前景目标的灰度值设为255，即白色
背景的灰度值设为0，即黑色。
因此定义中的非零像素点即为前景目标，零像素点即为背景。
因此图像中前景目标中的像素点距离背景越远，那么距离就越大，若是咱们用这个距离值替换像素值，那么新生成的图像中这个点越亮。

再经过设定合理的阈值对距离变换后的图像进行二值化处理，则可获得去除手指的图像(以下图“bidist”窗口图像所示)，手掌重心即为该图像的几何中心。

（2）distanceTransform函数数组

主要用于计算非零像素到最近零像素点的最短距离。通常用于求解图像的骨骼

def distanceTransform(src, distanceType, maskSize, dst=None, dstType=None): # real signature unknown; restored from __doc__

src：输入的图像，通常为二值图像
distanceType：所用的求解距离的类型，有CV_DIST_L1, CV_DIST_L2 , or CV_DIST_C
mask_size：距离变换掩模的大小，能够是 3 或 5. 对 CV_DIST_L1 或 CV_DIST_C 的状况，参数值被强制设定为 3, 由于 3×3 mask 给出 5×5 mask 同样的结果，并且速度还更快。

（3）如果想骨骼显示（对咱们的分水岭流程无影响），咱们须要对distanceTransform返回的结果进行归一化处理，使用normalize函数

由于distanceTransform返回的图像数据是浮点数值，要想在浮点数表示的颜色空间中，数值范围必须是0-1.0，因此要将其中的数值进行归一化处理

（重点）在整数表示的颜色空间中，数值范围是0-255，但在浮点数表示的颜色空间中，数值范围是0-1.0，因此要把0-255归一化。
顺便补充：如果不作归一化处理，数值大于1的都会变为1.0处理

mb = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel,iterations=2)  #iterations连续两次开操做
    cv.imshow("mb", mb)　　#这是咱们形态学开操做过滤噪点后的图像，暂时能够看作源图像
    #距离变换
    dist = cv.distanceTransform(mb,cv.DIST_L2,5)　　#这是咱们获取的字段距离数值，对应每一个像素都有，因此数组结构和图像数组一致
    cv.imshow("dist",dist)
    dist_output = cv.normalize(dist,0,1.0,cv.NORM_MINMAX)　　#归一化的距离图像数组
　  cv.imshow("distinct-t",dist_output*50)

发现了彷佛distanceTransform返回的图像和源图像同样，彷佛出错了
缘由：由于distanceTransform返回的是浮点型色彩空间，而dist中存放的数距离0值的最小距离，大可能是大于1.0的数值，
而上面提到浮点型色彩空间数值范围0-1.0，当数值大于1.0都会被设置为1.0，显示白色，因此和原来的二值化图像一致，
咱们要想显示骨骼，必须先进行归一化处理

下面是从二值化图像源，distanceTransform距离数组，和归一化距离数组中获取的一段像素数组
    print(mb[150][120:140])　　
    print(dist[150][120:140])
    print(dist_output[150][120:140])

整数型色彩空间二值化图像
[  0   0   0   0   0   0   0   0   0 255 255 255 255 255 255 255 255 255
 255 255]

浮点型色彩空间最小距离数组，因为数值大于1.0都会被设置为1.0，因此和上面二值化图像一致
[ 0.        0.        0.        0.        0.        0.        0.
  0.        0.        1.        1.4       2.1969    3.1969    4.1969
  5.1969    6.1969    7.1969    8.196899  9.196899 10.187599]

浮点型色彩空间归一化数组图像，显示骨骼
[0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.00047065 0.0006589  0.00103396
 0.00150461 0.00197525 0.00244589 0.00291654 0.00338719 0.00385783
 0.00432847 0.00479474]

（四）在获取了背景区域和前景区域（其实前景区域是咱们的种子，咱们将从这里进行灌水，向四周涨水，可是这个须要在markers中表示）后，这两个区域中有未重合部分（注1）怎么办？首先肯定这些区域（寻找种子）

注1：
这里是求取硬币偏白色，使用THRESH_BINARY，因此咱们获取对象是白色区域，是获取未重合部分
如果咱们求取树叶等偏黑，须要使用THRESH_BINARY_INV，此时咱们获取的对象是黑色区域，就变为了获取重合部分了

开始获取未知区域unknown（栅栏会建立在这一区域），为下一步获取种子作准备

    surface_fg = np.uint8(sure_fg)  #保持色彩空间一致才能进行运算，如今是背景空间为整型空间，前景为浮点型空间，因此进行转换
    unknown = cv.subtract(sure_bg,surface_fg)
    cv.imshow("unkown",unknown)

使用print查看背景前景色彩空间不一样
    print(sure_fg[150][120:140])
    print(sure_bg[150][120:140])
---------------------------------------
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[  0   0   0   0   0   0 255 255 255 255 255 255 255 255 255 255 255 255
 255 255]

（五）获取了这些区域，咱们能够获取种子，这是经过connectedComponents实现,获取masker标签，肯定的前景区域会在其中显示为以1开始的数据，这就是咱们的种子，会从这里开始漫水

推文：http://m.imooc.com/article/32675

推文：基于矩阵实现的Connected Components算法post

利用connectedComponents求图中的连通图

重点：

如今知道了那些是背景那些是硬币（肯定的前景区域）了。
那咱们就能够建立标签（一个与原图像大小相同，数据类型为 in32 的数组），并标记其中的区域了。
对咱们已经肯定分类的区域（不管是前景仍是背景）使用不一样的正整数标记，对咱们不肯定的区域（unknown区域）使用 0 标记。
咱们可使用函数 cv2.connectedComponents()来作这件事。
它会把对标签进行操做，将背景标记为 0，其余的对象使用从 1 开始的正整数标记（其实这就是咱们的种子，水漫时会从这里漫出）。而后将这个标签返回给咱们markers
可是，咱们知道若是背景标记为 0，那分水岭算法就会把它当成未知区域了。（咱们要将未知区域标记为0，因此咱们要将背景区域变为其余整数，例如+1）
因此咱们想使用不一样的整数标记它们。
而对不肯定的区域（函数cv2.connectedComponents 输出的结果中使用 unknown 定义未知区域）标记为 0。

#获取mask
ret,markers = cv.connectedComponents(surface_fg)

函数原型：学习

def connectedComponents(image, labels=None, connectivity=None, ltype=None): # real signature unknown; restored from __doc__

参数：

参数image是须要进行连通域处理的二值图像，其余的这里用不到

返回值：ui

ret是连通域处理的边缘条数，是上面提到的肯定区域（出去背景外的其余肯定区域：就是前景），就是种子数，咱们会从种子开始向外涨水 markers是咱们建立的一个标签（一个与原图像大小相同，数据类型为 in32 的数组），其中包含有咱们原图像的确认区域的数据（前景区域）

查看部分markers：（0表明的是背景色，）

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0　　#0是咱们的背景区域
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2　　#像这些以1开始的整数就是咱们肯定的前景区域，就是咱们要找的种子
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

（六）根据未知区域unknown在markers中设置栅栏，并将背景区域加入种子区域，一块儿漫水

注意：

watershed漫水算法须要咱们将栅栏区域设置为0，因此咱们须要将markers中背景区域（原来为0，会干扰算法）设置为其余整数。
解决方法将markers总体加一　　#此时种子区域不止咱们原来的前景区域，有增长了一个背景区域，咱们将从这些区域一块儿灌水

    markers = markers + 1
    markers[unknown==255] = 0

（七）根据种子开始漫水，让水漫起来找到最后的漫出点（栅栏边界），越过这个点后各个山谷中水开始合并。注意watershed会将找到的栅栏在markers中设置为-1

    markers = cv.watershed(image,markers=markers)　　#获取栅栏
    image[markers==-1] = [0,0,255]　　#根据栅栏，咱们对原图像进行操做，对栅栏区域设置为红色

markers再次查看

[-1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1 -1 -1 -1 -1 -1 -1 -1　　#漫水算法会将找到的栅栏设置为-1
 -1 -1 -1 -1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1 -1  2  2  2  2  2  2  2  2  2  2
  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2
  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2 -1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1 -1]

（八）结果查看

（九）所有代码

import cv2 as cv
import numpy as np

def watershed_demo(image):
    blur = cv.pyrMeanShiftFiltering(image,10,100)
    gray = cv.cvtColor(blur,cv.COLOR_BGR2GRAY)  #获取灰度图像

    ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)
    #形态学操做，进一步消除图像中噪点
    kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,3))
    mb = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel,iterations=2)  #iterations连续两次开操做
    sure_bg = cv.dilate(mb,kernel,iterations=3) #3次膨胀,能够获取到大部分都是背景的区域
    cv.imshow("sure_bg",sure_bg)
    #距离变换
    dist = cv.distanceTransform(mb,cv.DIST_L2,5)
    cv.imshow("dist",dist)
    dist_output = cv.normalize(dist,0,1.0,cv.NORM_MINMAX)
    # print(mb[150][120:140])
    # print(dist[150][120:140])
    # print(dist_output[150][120:140])
    cv.imshow("distinct-t",dist_output*50)
    ret, sure_fg = cv.threshold(dist,dist.max()*0.6,255,cv.THRESH_BINARY)
    cv.imshow("sure_fg",sure_fg)
    # print(sure_fg[150][120:140])
    # print(sure_bg[150][120:140])
    #获取未知区域
    surface_fg = np.uint8(sure_fg)  #保持色彩空间一致才能进行运算，如今是背景空间为整型空间，前景为浮点型空间，因此进行转换
    unknown = cv.subtract(sure_bg,surface_fg)
    cv.imshow("unkown",unknown)
    #获取maskers,在markers中含有种子区域
    ret,markers = cv.connectedComponents(surface_fg)
    #print(ret)

    #分水岭变换
    markers = markers + 1
    markers[unknown==255] = 0

    markers = cv.watershed(image,markers=markers)
    image[markers==-1] = [0,0,255]

    cv.imshow("result",image)

src = cv.imread("./c.png")  #读取图片
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)    #建立GUI窗口,形式为自适应
cv.imshow("input image",src)    #经过名字将图像和窗口联系

watershed_demo(src)

cv.waitKey(0)   #等待用户操做，里面等待参数是毫秒，咱们填写0，表明是永远，等待用户操做
cv.destroyAllWindows()  #销毁全部窗口