Opencv 学习笔记：基于图像变换 + 分水岭的图像分割（背景去除入门）

图像分割的核心是分离前景与背景，本文从 "手动背景去除" 入手，结合基础图像变换，为分水岭算法分割打下基础，新手可快速掌握背景像素过滤的核心逻辑。

核心代码实现

python 复制代码

import cv2 as cv
import numpy as np

# 1. 读取图像并校验
src = cv.imread('./image/28.bmp')
if src is None:
    print('图像读取失败，请检查路径！')
    exit()

# 备份原图（避免后续操作修改原始数据）
src_origin = src.copy()
# 初始化结果画布
result = np.zeros_like(src)

# 2. 手动背景去除：过滤白色背景（RGB=255,255,255）
# 遍历图像所有像素（优化双层循环，避免冗余自增）
for i in range(src.shape[0]):
    for j in range(src.shape[1]):
        # 获取当前像素的BGR值
        b, g, r = src[i, j]
        # 判断是否为白色背景像素
        if b == 255 and g == 255 and r == 255:
            src[i, j] = [0, 0, 0]  # 白色背景转为黑色
        else:
            result[i, j] = src[i, j]  # 保留前景像素

# 3. 分水岭算法前置处理（可选，进阶分割）
gray = cv.cvtColor(result, cv.COLOR_BGR2GRAY)
# 二值化：强化前景与背景对比
ret, binary = cv.threshold(gray, 10, 255, cv.THRESH_BINARY)
# 距离变换：获取前景种子点
dist_transform = cv.distanceTransform(binary, cv.DIST_L2, 5)
ret, sure_fg = cv.threshold(dist_transform, 0.7*dist_transform.max(), 255, 0)
sure_fg = np.uint8(sure_fg)
# 查找未知区域（背景-前景）
sure_bg = cv.dilate(binary, np.ones((3,3), np.uint8), iterations=2)
unknown = cv.subtract(sure_bg, sure_fg)

# 4. 标记连通域，执行分水岭分割
ret, markers = cv.connectedComponents(sure_fg)
markers = markers + 1  # 背景标记为1，避免与未知区域混淆
markers[unknown==255] = 0  # 未知区域标记为0
markers = cv.watershed(src_origin, markers)
src_origin[markers == -1] = [0, 0, 255]  # 分割线标红

# 5. 显示结果
cv.namedWindow('背景去除结果', cv.WINDOW_NORMAL)
cv.resizeWindow('背景去除结果', 600, 600)
cv.imshow('背景去除结果', result)

cv.namedWindow('分水岭分割结果', cv.WINDOW_NORMAL)
cv.resizeWindow('分水岭分割结果', 600, 600)
cv.imshow('分水岭分割结果', src_origin)

cv.waitKeyEx(0)
cv.destroyAllWindows()

关键知识点解析

1. 手动背景去除核心

步骤	核心逻辑	优化要点
像素遍历	双层循环遍历`src.shape[0]`（高）和`src.shape[1]`（宽）	原代码冗余`j=j+1`会导致列索引跳步，直接遍历 range 即可
背景判断	`b==255 and g==255 and r==255`	OpenCV 中像素为 BGR 顺序，需按蓝、绿、红判断
背景替换	白色背景→黑色`[0,0,0]`	保留前景像素到新画布，避免修改原图后无法追溯

2. 分水岭算法核心流程

步骤	核心 API	作用说明
距离变换	`cv.distanceTransform()`	计算前景像素到背景的距离，精准定位前景核心区域
前景 / 背景标记	`cv.connectedComponents()`	标记确定的前景 / 背景，避免分割过度
分水岭分割	`cv.watershed()`	基于标记的图像分割，`markers==-1`为分割边界
分割线标注	红色`[0,0,255]`	直观展示分割边界，验证分割效果

3. 原代码核心修复

索引跳步问题 ：原代码j = j+1导致列索引每次循环自增两次，漏检一半像素，直接删除该冗余代码；
画布初始化 ：新增src_origin = src.copy()备份原图，避免背景去除操作影响分水岭分割；
效率优化：合并像素判断与赋值逻辑，减少重复操作，提升遍历速度；
鲁棒性增强：增加图像读取校验，避免空图像导致后续报错。

总结

手动背景去除的核心是遍历像素 + RGB 值判断，需注意 OpenCV 的 BGR 像素顺序，避免索引跳步；
分水岭算法分割的关键是标记确定的前景 / 背景，距离变换可精准定位前景种子点；
背景去除是分水岭分割的基础预处理，可大幅提升分割准确率，适配白色背景的目标分割场景。