区域分割概述：从种子点或区域出发，根据相似性准则（如灰度、纹理）生长或分裂区域。
区域分割的经典代表算法有：区域生长与分水岭算法
区域生长
从种子点出发，合并相似的相邻像素。
算法流程：
- 选择种子点：手动指定或自动选择
- 定义相似性准则：如灰度差小于阈值 T
- 区域扩张：
1.检查种子点邻域像素。
2.若满足相似性准则，则将其并入区域，并作为新种子。
3.重复直到没有新像素可加入。
相似性准则是关键，直接影响分割质量。
需要手动或自动选择种子点，这是一个主要局限。
python
def RegionGrowing(img_path, seed_point=(100, 100), threshold=10):
"""
基于区域生长的图像分割算法
参数:
img_path: 输入图像路径
seed_point: 种子点坐标，作为生长起点 (行, 列)
threshold: 生长阈值，控制像素相似度的容忍度(值越小，条件越严格)
"""
image = cv2.imread(img_path)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
visited = set() # 记录已访问过的像素，防止重复处理
region = [] # 待处理像素队列 (栈结构实现）
region.append(seed_point) # 将种子点加入待处理队列
segment_image = np.zeros_like(image)
# count = 0
# 区域生长主循环
while len(region) > 0:
current_point = region.pop() # 弹出最后一个元素 (栈的LIFO特性)
visited.add(current_point) # 标记为已访问
# 检查当前点的8邻域像素 (包括对角相邻)
for dx in range(-1, 2):
for dy in range(-1, 2):
x = current_point[0] + dx
y = current_point[1] + dy
# 检查邻域像素是否有效
if ((x, y) not in visited and
0 <= x < gray.shape[0] and # 确保行坐标在图像范围内
0 <= y < gray.shape[1]): # 确保列坐标在图像范围内
# 相似性判断：比较邻域像素与当前点的灰度差
if abs(int(gray[x, y]) - int(gray[current_point])) < threshold:
region.append((x, y))
visited.add((x, y))
segment_image[x, y] = [0, 255, 0]
# print('count', count)
return segment_image分水岭算法
算法流程：
- 输入准备：计算图像的梯度幅值图（作为地形）。
- 标记提取（最关键步骤）：
1.确定的前景标记：通过距离变换、阈值等得到物体内部点。
2.确定的背景标记：通过膨胀等操作得到远离物体的区域。
3.未知区域：前景和背景之间的区域。 - 淹没过程：
1.从标记处（前景）开始注水。
2.水位逐渐上升，从不同标记出发的水域不断扩张。
3.当来自不同标记的水域即将汇合时，筑坝阻止，形成的"水坝"就是分水岭线（分割边界）。
过分割是最大问题：每个局部最小值都会形成一个区域。
解决方案：基于标记的分水岭，只从指定的标记处开始淹没，这已成为标准做法。
python
def watershed_algorithm(img_path, sp=10, sr=100, ksize=3, iteration_open=2, iteration_bg=3):
image = cv2.imread(img_path)
# 去噪与二值化
blur = cv2.pyrMeanShiftFiltering(image, sp=sp, sr=sr) # 在保持边缘清晰的前提下，对图像进行色彩平滑和细节抑制。基于均值漂移算法，采用金字塔加速
gray = cv2.cvtColor(blur, cv2.COLOR_BGR2GRAY)
ret, binary = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU) # ret为OTSU（大律动）算法计算存储的最优阈值
print('best threshold: ', ret)
cv2.imshow('blur image', blur)
cv2.imshow('gray image', gray)
cv2.imshow('binary image', binary)
# 形态学流程
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (ksize,ksize)) # 定义结构元，创建一个3*3的矩形"刷子"，用于后面的腐蚀、膨胀
opening = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel=kernel, iterations=iteration_open) # 开运算，先腐蚀后膨胀，消除binary图像中的细小白色噪点
surface_bg = cv2.dilate(opening, kernel, iterations=iteration_bg) # 膨胀获取背景， 连续膨胀3次，将真实物体的区域完全包含进来
cv2.imshow('opening image', opening)
cv2.imshow('surface_bg image', surface_bg)
# 距离变换
dist = cv2.distanceTransform(opening, cv2.DIST_L2, ksize) # 计算每个前景像素到最近背景的距离，
dist_out = cv2.normalize(dist, 0, 1.0, cv2.NORMAL_CLONE)
ret, surface = cv2.threshold(dist_out, dist_out.max() * 0.6, 255, cv2.THRESH_BINARY) # 通过阈值，得到距离背景足够远的区域，0.6调低会扩大前景区域，调高则缩小
surface_fg = np.uint8(surface)
unknown = cv2.subtract(surface_bg, surface_fg) # 找到位置区域
cv2.imshow('surface image', surface)
cv2.imshow('unknown image', unknown)
# 标记标签
ret, markers = cv2.connectedComponents(surface_fg) # 连通区域， ret为连通区域数=前景物体数（独立白色块） + 1，markers一个标签图，其中背景像素值为0，第一个物体区域像素值为1，第二个为2，第三个为3，以此类推。
print(ret)
# 分水岭变换
markers = markers + 1 # 分水岭算法要求背景非0
markers[unknown == 255] = 0 # 背景为1，前景为2/3/4...，未知区域为0
markers = cv2.watershed(image, markers=markers)
image[markers == -1] = [0, 0, 255] # 被标记的区域设为红色
cv2.imshow('result', image)
return image