文章目录
一、图片分割
图像分割(Image Segmentation)是图像处理最重要的处理手段之一
图像分割的目标是将图像中像素根据一定的规则分为若干(N)个cluster集合，每个集合包含一类像素。
根据算法分为监督学习方法和无监督学习方法，图像分割的算法多数都是无监督学习方法 - KMeans
分水岭算法理解
分水岭（Watershed）是基于地理形态的分析的图像分割算法，模仿地理结构（比如山川、沟壑，盆地）来实现对不同物体的分类。分水岭算法中会用到一个重要的概念------测地线距离
图像的灰度空间很像地球表面的整个地理结构，每个像素的灰度值代表高度。其中的灰度值较大的像素连成的线可以看做山脊，也就是分水岭。其中的水就是用于二值化的gray threshold level，二值化阈值可以理解为水平面，比水平面低的区域会被淹没，刚开始用水填充每个孤立的山谷(局部最小值)。
当水平面上升到一定高度时，水就会溢出当前山谷，可以通过在分水岭上修大坝，从而避免两个山谷的水汇集，这样图像就被分成2个像素集，一个是被水淹没的山谷像素集，一个是分水岭线像素集。最终这些大坝形成的线就对整个图像进行了分区，实现对图像的分割。
在该算法中，空间上相邻并且灰度值相近的像素被划分为一个区域。
分水岭算法过程
- 把梯度图像中的所有像素按照灰度值进行分类，并设定一个测地距离阈值。
- 找到灰度值最小的像素点（默认标记为灰度值最低点），让threshold从最小值开始增长，这些点为起始点。
- 水平面在增长的过程中，会碰到周围的邻域像素，测量这些像素到起始点（灰度值最低点）的测地距离，如果小于设定阈值，则将这些像素淹没，否则在这些像素上设置大坝，这样就对这些邻域像素进行了分类。
- 随着水平面越来越高，会设置更多更高的大坝，直到灰度值的最大值，所有区域都在分水岭线上相遇，这些大坝就对整个图像像素的进行了分区。
用上面的算法对图像进行分水岭运算，由于噪声点或其它因素的干扰，可能会得到密密麻麻的小区域，即图像被分得太细（over-segmented，过度分割），这因为图像中有非常多的局部极小值点，每个点都会自成一个小区域。
其中的解决方法：
- 对图像进行高斯平滑操作，抹除很多小的最小值，这些小分区就会合并。
- 不从最小值开始增长，可以将相对较高的灰度值像素作为起始点（需要用户手动标记），从标记处开始进行淹没，则很多小区域都会被合并为一个区域，这被称为基于图像标记(mark)的分水岭算法。
二、距离变换与分水岭
距离变换常见算法有两种
不断膨胀/ 腐蚀得到
基于倒角距离
分水岭变换常见的算法
基于浸泡理论实现
步骤
将白色背景变成黑色-目的是为后面的变换做准备
使用filter2D与拉普拉斯算子实现图像对比度提高，sharp（锐化）
转为二值图像通过threshold
距离变换
对距离变换结果进行归一化到[0~1]之间 使用阈值，再次二值化，
得到标记 腐蚀得到每个Peak- erode
发现轮廓 -- findContours
绘制轮廓- drawContours
分水岭变换 watershed
对每个分割区域着色输出结果
背景：不感兴趣的区域，越远离目标图像中心的区域就越是背景
前景：感兴趣的区域，越靠近目标图像中心就越是前景
未知区域：即不确定区域，边界所在的区域
改进：
在 O p e n C v OpenCvOpenCv 中算法不从最小值开始增长，可以将相对较高的灰度值像素作为起始点（需要用户手动标记），从标记处开始进行淹没，则很多小区域都会被合并为一个区域，这被称为基于图像标(mark)的分水岭算法。其中标记的每个点就相当于分水岭中的注水点，从这些点开始注水使得水平面上升。手动标记太麻烦，我们可是使用距离转换(cv2.distanceTransform函数)的方法进行标记。cv2.distanceTransform计算的是图像内非零值像素点到最近的零值像素点的距离，即计算二值图像中所有像素点距离其最近的值为 0 的像素点的距离。当然，如果像素点本身的值为 0，则这个距离也为 0。
主要函数
cv::watershed 函数实现了基于距离变换的分水岭算法。该函数的原型如下：
c
void watershed(InputArray image,
InputOutputArray markers
);image：输入的图像，必须为8位的3通道彩色图像。
markers：输出的标记图像，必须为单通道32位整型图像。
在使用cv::watershed函数进行分水岭算法分割时，需要先进行前期处理，包括图像的预处理和创建标记图像。
c++代码
c
#include <opencv2\opencv.hpp>
#include <iostream>
using namespace std;
using namespace cv;
int main()
{
Mat img, imgGray, imgMask;
Mat maskWaterShed; // watershed()函数的参数
img = imread("HoughLines.jpg"); //原图像
if (img.empty())
{
cout << "请确认图像文件名称是否正确" << endl;
return -1;
}
cvtColor(img, imgGray, COLOR_BGR2GRAY);
//提取边缘并进行闭运算
Canny(imgGray, imgMask, 150, 300);
Mat k = getStructuringElement(0, Size(3, 3));
morphologyEx(imgMask, imgMask, MORPH_CLOSE, k);
imshow("边缘图像", imgMask);
imshow("原图像", img);
//计算连通域数目
vector<vector<Point>> contours;
vector<Vec4i> hierarchy;
findContours(imgMask, contours, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
//在maskWaterShed上绘制轮廓,用于输入分水岭算法
maskWaterShed = Mat::zeros(imgMask.size(), CV_32S);
for (int index = 0; index < contours.size(); index++)
{
drawContours(maskWaterShed, contours, index, Scalar::all(index + 1),
-1, 8, hierarchy, INT_MAX);
}
//分水岭算法 需要对原图像进行处理
watershed(img, maskWaterShed);
vector<Vec3b> colors; // 随机生成几种颜色
for (int i = 0; i < contours.size(); i++)
{
int b = theRNG().uniform(0, 255);
int g = theRNG().uniform(0, 255);
int r = theRNG().uniform(0, 255);
colors.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
}
Mat resultImg = Mat(img.size(), CV_8UC3); //显示图像
for (int i = 0; i < imgMask.rows; i++)
{
for (int j = 0; j < imgMask.cols; j++)
{
// 绘制每个区域的颜色
int index = maskWaterShed.at<int>(i, j);
if (index == -1) // 区域间的值被置为-1（边界）
{
resultImg.at<Vec3b>(i, j) = Vec3b(255, 255, 255);
}
else if (index <= 0 || index > contours.size()) // 没有标记清楚的区域被置为0
{
resultImg.at<Vec3b>(i, j) = Vec3b(0, 0, 0);
}
else // 其他每个区域的值保持不变：1，2，...，contours.size()
{
resultImg.at<Vec3b>(i, j) = colors[index - 1]; // 把些区域绘制成不同颜色
}
}
}
resultImg = resultImg * 0.6 + img * 0.4;
imshow("分水岭结果", resultImg);
waitKey(0);
return 0;
}四、结果展示
1、原始图像
2、分割结果
五、参考链接