python
import cv2
import numpy as np
# 1. 图像预处理
img = cv2.imread("./water/water_coins.jpeg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
kernel = np.ones((3, 3), np.int8)
open1 = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
# 2. 创建标记 (Markers)
# 2.1 确定是背景的区域 (bg)
bg = cv2.dilate(open1, kernel, iterations=1)
# 2.2 确定是前景的区域 (fg)
dist = cv2.distanceTransform(open1, cv2.DIST_L2, 5)
ret, fg = cv2.threshold(dist, 0.7 * dist.max(), 255, 0)
# 2.3 未知区域 (unknown)
unknown = cv2.subtract(bg, fg)
# 2.4 创建标记图像 (markers)
ret, markers = cv2.connectedComponents(fg)
markers = markers + 1
markers[unknown == 255] = 0
# 3. 应用分水岭算法
result = cv2.watershed(img, markers)
# 4. 可视化结果
img[result == -1] = [255, 0, 0]
cv2.imshow("Result", img)
cv2.waitKey(0)
cv2.destroyAllWindows()分水岭算法（Watershed Algorithm）教程：硬币分割实例
目标： 从图像中分割出多个硬币。
原理：
分水岭算法是一种基于图像形态学的分割算法。它将图像视为"地形图"，其中像素的灰度值（或颜色）代表"高度"。算法从预定义的"标记"（markers）开始"注水"，模拟水流从低洼处（标记区域）向周围蔓延的过程。当来自不同标记区域的"水"相遇时，就形成"分水岭"（watersheds），也就是分割边界。
步骤详解及关键 API 解读：
-
图像预处理：
-
读取图像并转换为灰度图：
pythonimg = cv2.imread("./water/water_coins.jpeg") # 读取图像 gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转为灰度图-
cv2.imread(filename):- 功能： 读取图像文件。
- 参数：
filename- 图像文件的路径。 - 返回值： 一个 NumPy 数组，表示图像。如果读取失败，返回
None。
-
cv2.cvtColor(img, code):- 功能： 进行颜色空间转换。
- 参数：
img- 输入图像（NumPy 数组）。code- 颜色空间转换代码。例如：cv2.COLOR_BGR2GRAY：将 BGR 彩色图像转换为灰度图像。cv2.COLOR_BGR2RGB：将 BGR 彩色图像转换为 RGB 彩色图像。
- 返回值： 转换后的图像（NumPy 数组）。
-
-
对灰度图进行二值化处理：
pythonret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)cv2.threshold(src, thresh, maxval, type):- 功能： 对图像进行阈值处理（二值化）。
- 参数：
src- 输入图像（通常是灰度图）。thresh- 阈值。maxval- 当像素值满足阈值条件时（例如，大于阈值），赋予的新值。type- 阈值处理的类型。常用的类型包括：cv2.THRESH_BINARY：二值化。像素值大于阈值的设为maxval，小于阈值的设为 0。cv2.THRESH_BINARY_INV：反二值化。像素值大于阈值的设为 0，小于阈值的设为maxval。cv2.THRESH_TRUNC：截断。像素值大于阈值的设为阈值，小于阈值的不变。cv2.THRESH_TOZERO：像素值大于阈值的不变，小于阈值的设为 0。cv2.THRESH_TOZERO_INV：像素值大于阈值的设为 0，小于阈值的不变。cv2.THRESH_OTSU：使用大津法（Otsu's method）自动确定最佳阈值（与前面的thresh参数一起使用，thresh通常设为 0）。
- 返回值：
ret- 实际使用的阈值（如果使用了cv2.THRESH_OTSU，则返回自动确定的阈值）。thresh- 二值化后的图像。
-
对二值化图像进行开运算（先腐蚀后膨胀）：
pythonkernel = np.ones((3, 3), np.int8) open1 = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)-
np.ones((rows, cols), dtype):- 功能： 创建一个所有元素都为 1 的 NumPy 数组。
- 参数：
rows- 行数。cols- 列数。dtype- 数据类型（例如np.uint8、np.int8、np.float32等）。
-
cv2.morphologyEx(src, op, kernel, iterations):- 功能： 执行高级形态学操作。
- 参数：
src- 输入图像。op- 形态学操作的类型。常用的类型包括：cv2.MORPH_OPEN：开运算（先腐蚀后膨胀）。cv2.MORPH_CLOSE：闭运算（先膨胀后腐蚀）。cv2.MORPH_GRADIENT：形态学梯度（膨胀 - 腐蚀）。cv2.MORPH_TOPHAT：顶帽运算（原图 - 开运算）。cv2.MORPH_BLACKHAT：黑帽运算（闭运算 - 原图）。
kernel- 结构元素（通常是一个 NumPy 数组）。iterations- 操作的迭代次数。
- 返回值： 形态学操作后的图像。
-
-
-
创建标记 (Markers)：
分水岭算法需要一个初始的标记图像。标记图像中，不同的整数值表示不同的"种子"区域：
-
0： 表示"未知区域"。这些区域需要分水岭算法来确定它们属于前景还是背景。
-
1： 表示"确定是背景"的区域。
-
大于 1 的整数： 表示不同的"确定是前景"的区域（每个硬币一个标记）。
-
2.1 确定是背景的区域 (
bg)：pythonbg = cv2.dilate(open1, kernel, iterations=1)cv2.dilate(src, kernel, iterations):- 功能： 执行膨胀操作（使白色区域扩张）。
- 参数：
src- 输入图像。kernel- 结构元素。iterations- 膨胀的迭代次数。
- 返回值： 膨胀后的图像。
- 原理 : 通过膨胀
open1图像, 使得硬币之间的空隙被填充, 从而得到确定的背景区域。
-
2.2 确定是前景的区域 (
fg)：pythondist = cv2.distanceTransform(open1, cv2.DIST_L2, 5) ret, fg = cv2.threshold(dist, 0.7 * dist.max(), 255, 0)cv2.distanceTransform(src, distanceType, maskSize):- 功能： 计算图像中每个非零像素到最近零像素的距离（距离变换）。
- 参数：
src- 输入图像（通常是二值图像，非零像素表示前景，零像素表示背景）。distanceType- 距离类型。常用的类型包括：cv2.DIST_L1：曼哈顿距离（城市街区距离）。cv2.DIST_L2：欧几里得距离。cv2.DIST_C：棋盘距离。
maskSize- 距离变换的掩码大小。常用的值有 3 和 5。
- 返回值： 距离变换后的图像（灰度图像）。每个像素的值表示该像素到最近背景像素的距离。
- 原理： 硬币中心的像素距离背景最远，因此距离变换值最大。通过阈值处理，可以将这些中心区域提取出来，作为"确定是前景"的区域。
-
2.3 未知区域 (
unknown)：pythonunknown = cv2.subtract(bg, fg)cv2.subtract(src1, src2):- 功能： 从
src1图像中减去src2图像（逐像素相减）。 - 参数：
src1- 第一个输入图像。src2- 第二个输入图像。
- 返回值： 相减后的图像。
- 功能： 从
- 原理： 未知区域是指既不属于"确定是背景"也不属于"确定是前景"的区域。
-
2.4 创建标记图像 (
markers)：pythonret, markers = cv2.connectedComponents(fg) markers = markers + 1 markers[unknown == 255] = 0-
cv2.connectedComponents(image):- 功能： 对二值图像进行连通组件标记。
- 参数：
image- 输入的二值图像（通常是"确定是前景"的图像）。
- 返回值：
ret- 连通组件的数量（不包括背景）。markers- 标记图像。每个连通区域被标记为一个唯一的整数（从 1 开始），背景标记为 0。
-
markers = markers + 1: 将标记图像中的所有值加 1。这是因为分水岭算法要求背景标记为非零值（通常为 1）。 -
markers[unknown == 255] = 0: 将未知区域的标记设置为 0。 -
处理后的
markers图像示例：1 1 1 1 1 1 1 1 (1: 背景) 1 1 1 0 0 0 1 1 (0: 未知区域) 1 1 0 2 2 2 0 1 (2: 第一个硬币的中心) 1 1 0 2 2 2 0 1 1 1 0 2 2 2 0 1 1 1 1 0 0 0 1 1 1 1 0 3 3 3 0 1 (3: 第二个硬币的中心) 1 1 0 3 3 3 0 1 1 1 1 1 1 1 1 1
-
-
-
应用分水岭算法：
pythonresult = cv2.watershed(img, markers)-
cv2.watershed(image, markers):- 功能： 应用分水岭算法进行图像分割。
- 参数：
image- 输入的原始图像（通常是彩色图像）。markers- 标记图像。
- 返回值：
result- 分割结果图像。-1：表示分割边界（watersheds）。- 其他值：表示不同的分割区域（通常与
markers中的标记值对应）。
-
result图像示例：1 1 1 1 1 1 1 1 1 1 1-1-1-1 1 1 1 1-1 2 2 2-1 1 1 1-1 2 2 2-1 1 1 1-1 2 2 2-1 1 1 1 1-1-1-1 1 1 1 1-1 3 3 3-1 1 1 1-1 3 3 3-1 1 1 1 1 1 1 1 1 1- "淹没"过程解释：
- 分水岭算法模拟"注水"过程，水流从标记区域（markers）开始向外蔓延，不同标记区域的水流相遇,形成分割边界（-1）。
- 未知区域（标记为0）相当于"无主之地"，会被相邻的标记区域的水流"淹没"，并最终归属于某个标记区域。
- "淹没"的含义是，未知区域的像素会被赋予相邻标记区域的标记值。
- 水流蔓延的方向和速度受原始图像"地形"的影响，也就是原始图像素的灰度值/颜色。
- "淹没"过程解释：
-
-
可视化结果：
pythonimg[result == -1] = [255, 0, 0] # 将分割边界标记为红色- 将原始图像中与分割边界对应的像素设置为红色，以便于观察分割结果。
总结：
分水岭算法是一种强大的图像分割工具。它通过模拟"注水"过程，结合预定义的标记图像，将图像分割成不同的区域。理解分水岭算法的关键在于：
- 标记图像： 为算法提供"种子"区域，指导算法的"注水"过程。
- "注水"过程： 模拟水流从标记区域蔓延，并在不同区域的水流相遇处形成分割边界。
- "地形"： 原始图像的灰度或颜色变化会影响"水流"的蔓延，从而影响分割边界的位置。
- 距离变换： 在硬币分割的例子中，距离变换帮助我们找到"确定是前景"的区域（硬币中心）。