目录
[一 分水岭算法](#一 分水岭算法)
[二 利用OpenCV实现分水岭算法的过程](#二 利用OpenCV实现分水岭算法的过程)
[三 实践](#三 实践)
一 分水岭算法
基于 任何灰度图像都可以视为地形表面，其中高强度表示山峰和 山丘 ，而低强度表示山谷。 首先，开始用不同颜色的水（标签）填充每个孤立的山谷（局部最小值）。随着水位的上升，根据附近的山峰（梯度），来自不同山谷的水，显然具有不同的颜色，将开始合并。为了避免这种情况，我们需要在水汇合的位置建造水坝或 者 屏障 。如果继续注水和建造屏障的工作，直到所有的山峰都在水下。然后，之前创建的屏障会提供细分的结果。这就是分水岭背后的"哲学"。
利用OpenCV实现分水岭算法的过程如下：
①首先，找到前景的近似估计值。可以使用 Otsu 的二值化操作实现。
②通过形态学处理对原始的图像img进行降噪操作。
注意 ：靠近物体中心的区域是前景，而远离物体的区域是背景。不确定的唯一区域是硬币的边界区域。
③通过膨胀操作获取"确定的背景区域Background region"。
④利用距离变换函数cv2.distanceTransform()对图像进行处理，并对其结果进行阈值分割，得到"确定前景区域Front reign"。
⑤获取未知的区域UN 。UN =img - Background region - Front reign。
⑥利用cv.connectedComponents()实现图像的标注工作和对标注结果进行修正。
⑦使用分水岭分割函数cv.watershed()完成对图像的分割。
二 利用OpenCV实现分水岭算法的过程
①Otsu 的二值化操作的结果
python
img = cv2.imread(img_path)
im = img.copy()
gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
②图像降噪操作的结果。
python
kernel = np.ones((3, 3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
③确定的背景区域Background region。
python
sure_bg = cv2.dilate(opening, kernel, iterations=3)
④确定的前景区域。
python
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, sure_fg = cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0)
sure_fg = np.uint8(sure_fg)
⑤unknown区域。
python
unknown = cv2.subtract(sure_bg, sure_fg)
⑥利用cv.connectedComponents()实现图像的标注，并且对标注结果进行修正。
python
ret, markers = cv2.connectedComponents(sure_fg)
python
# Add one to all labels so that sure background is not 0, but 1
markers = markers + 1
# Now, mark the region of unknown with zero
markers[unknown == 255] = 0⑦使用分水岭分割函数cv.watershed()完成对目标的分割处理。
python
markers = cv2.watershed(im, markers)
# The boundary region will be marked with -1.
三 实践
- 代码
python
import numpy as np
import cv2
import matplotlib.pyplot as plt
def dealImg(img):
b, g, r = cv2.split(img)
img_rgb = cv2.merge([r, g, b])
return img_rgb
def dealImageResult(img_path):
img = cv2.imread(img_path)
im = img.copy()
gray = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
# noise removal
kernel = np.ones((3, 3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
# sure background area
sure_bg = cv2.dilate(opening, kernel, iterations=3)
# sure foreground area
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, sure_fg = cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0)
sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg, sure_fg)
# Marker labelling
ret, markers = cv2.connectedComponents(sure_fg)
# Add one to all labels so that sure background is not 0, but 1
markers = markers + 1
# Now, mark the region of unknown with zero
markers[unknown == 255] = 0
markers = cv2.watershed(im, markers)
# The boundary region will be marked with -1.
im[markers == -1] = [255, 255, 0]
fig = plt.figure(figsize=(10, 10))
img = dealImg(img)
im = dealImg(im)
titles = ["im", " OTSU", "open", "sure_bg", "sure_fg", "unknown", "result_im"]
images = [img, thresh, opening, sure_bg, sure_fg, unknown, im]
for i in range(7):
plt.subplot(2, 4, i + 1), plt.imshow(images[i], "gray")
plt.title("{}".format(titles[i]), fontsize=20, ha='center')
plt.xticks([]), plt.yticks([])
#plt.subplots_adjust(left=None, bottom=None, right=None, top=None, wspace=0.3, hspace=0)
# plt.tight_layout()
plt.show()
fig.savefig('test_results.jpg', bbox_inches='tight')
if __name__ == '__main__':
dealImageResult("test.jpg")
pass- 效果图
从上图中可以看出，对于某些硬币，它们接触的区域可以被正确分割开，而对于某些硬币，则没有分割开。
前文回顾
入门篇目录
实践篇目录
数字图像处理（实践篇）一 将图像中的指定目标用bBox框起来吧！
数字图像处理（实践篇）四 图像拼接－基于SIFT特征点和RANSAC方法