隨著當(dāng)今世界的發(fā)展，計算機視覺技術(shù)的應(yīng)用越來越廣泛。伴隨著硬件設(shè)備的不斷升級，構(gòu)造復(fù)雜的計算機視覺應(yīng)用變得越來越容易了。OpenCV像是一個黑盒，讓我們專注于視覺應(yīng)用的開發(fā)，而不必過多的關(guān)注基礎(chǔ)圖象處理的具體細節(jié)。

圖像分割

了解分水嶺算法之前，我們需要了解什么是圖像的分割。

在圖像的處理過程中，經(jīng)常需要從圖像中將前景對象作為目標(biāo)圖像分割或者提取出來。例如，在視頻監(jiān)控中，觀測到的是固定背景下的視頻內(nèi)容，而我們對背景本身并無興趣，感興趣的是背景中出現(xiàn)的車輛，行人或者其他對象。我們希望將這些對象從視頻中提取出來，而忽略那些沒有對象進入背景的視頻內(nèi)容。

分水嶺算法

圖像分割是圖像處理過程中一種非常重要的操作。分水嶺算法將圖像形象地比喻為地理學(xué)上的地形表面，實現(xiàn)圖像分割，該算法非常有用。

下面，博主對分水嶺算法的相關(guān)內(nèi)容做簡單的介紹。（詳細可以參考岡薩雷斯的《數(shù)字圖像處理》一書）

任何一副灰度圖像，都可以被看作是地理學(xué)上的地形表面，灰度值越高的區(qū)域可以被看成是山峰，灰度值越低的區(qū)域可以被看成是山谷。

如果我們向每個山谷中灌注不同顏色的水。那么隨著水位的不斷升高，不同山谷的水就匯聚到一起。在這個過程中，為了防止不同山谷的水交匯，我們需要在水流可能匯合的地方構(gòu)建堤壩。該過程將圖像分為兩個不同的集合：集水盆地和分水嶺線。我們構(gòu)建的堤壩就是分水嶺線，也即對原始圖像的分割。這就是分水嶺算法的原理。

不過，一般的圖像都存在著噪聲，采用分水嶺算法時，會經(jīng)常得到過度分割的結(jié)果。為了改善圖像分割的效果，人們提出了基于掩摸的改進的分水嶺算法。改進的分水嶺算法允許用戶將它認為是同一個分割區(qū)域的部分標(biāo)注出來。這樣，分水嶺算法在處理時，就會將標(biāo)注的部分處理為同一個分割區(qū)域。

如果對于該理論不怎么了解，可以使用軟件PowerPoint中的“刪除背景”功能進行觀察配合理解。

waterShed函數(shù)

在OpenCV中，可以使用函數(shù)cv2.watershed()函數(shù)實現(xiàn)分水嶺算法。不過，具體實現(xiàn)的過程，還需要借助形態(tài)學(xué)函數(shù)，距離變換函數(shù)cv2.distanceTransform()，cv2.connectedComponents()來完成圖像分割。

形態(tài)學(xué)分割

在使用分水嶺算法之前，我們需要對圖像進行簡單的形態(tài)學(xué)處理。一般情況下，我們都是使用形態(tài)學(xué)中的開運算，因為開運算是先腐蝕后膨脹的操作，能夠去除圖像內(nèi)的噪聲。

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread("36.jpg")
k=np.ones((5,5),dtype=np.uint8)
e=cv2.erode(img,k)
result=cv2.subtract(img,e)

plt.subplot(131)
plt.imshow(img, cmap="gray")
plt.axis('off')

plt.subplot(132)
plt.imshow(e, cmap="gray")
plt.axis('off')

plt.subplot(133)
plt.imshow(result, cmap="gray")
plt.axis('off')
plt.show()

回顧一下，我們前面的開運算函數(shù)為cv2.erode()，這里我們首先經(jīng)過開運算去除噪聲。然后減法運算cv2.subtract()獲取圖像邊界。運行之后，效果如下：

distanceTransform函數(shù)

當(dāng)圖像內(nèi)的各個子圖沒有連接時，可以直接使用形態(tài)學(xué)的腐蝕操作確定前景對象，但是如果圖像內(nèi)的子圖連接在一起時，就很難確定前景對象了。這個時候，就需要借助變換函數(shù)cv2.distanceTransform()方便地將前景對象提取出來。

cv2.distanceTransform()反應(yīng)了各個像素點與背景（值為0的像素點）的距離關(guān)系。通常情況下：

• 如果前景對象的中心距離值為0的像素點距離較遠，會得到一個較大的值。
• 如果前景對象的邊緣距離值為0的像素點較近，會得到一個較小的值。

下面，我們來使用該函數(shù)確定一副圖像的前景，并觀察效果。

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread("36.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
k = np.ones((5, 5), dtype=np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, k, iterations=2)
distTransform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, fore = cv2.threshold(distTransform, 0.7 * distTransform.max(), 255, 0)

plt.subplot(131)
plt.imshow(img, cmap="gray")
plt.axis('off')

plt.subplot(132)
plt.imshow(distTransform, cmap="gray")
plt.axis('off')

plt.subplot(133)
plt.imshow(fore, cmap="gray")
plt.axis('off')
plt.show()

這里，我們使用cv2.morphologyEx函數(shù)進行開運算，同時使用cv2.distanceTransform得到距離圖像，最后在通過cv2.threshold對距離圖像進行閾值處理，確定前景。運行之后，效果如下：

確定未知區(qū)域

通過距離函數(shù)，我們獲取到了圖像的“中心”，也就是“確定前景”。為了方便后續(xù)的講解，我們將確定前景稱為F。

圖像中有了確定前景F和確定背景B，剩下的區(qū)域就是未知區(qū)域UN了。這部分區(qū)域正是分水嶺算法要進一步明確的區(qū)域。

針對一副圖像0，通過以下關(guān)系能夠得到未知區(qū)域UN：

未知區(qū)域UN=圖像0-確定背景B-確定前景F

由上述公式變換得到：

未知區(qū)域UN=（圖像0-確定背景B）-確定前景F

其中（圖像0-確定背景B）就是我們開始的減法操作，通過形態(tài)學(xué)膨脹得到。也只需要將上面的代碼添加4行并更改顯示的代碼內(nèi)容：

bg=cv2.dilate(opening,k,iterations=3)
fore=np.uint8(fore)
un=cv2.subtract(bg,fore)

plt.subplot(221)
plt.imshow(img, cmap="gray")
plt.axis('off')

plt.subplot(222)
plt.imshow(bg, cmap="gray")
plt.axis('off')

plt.subplot(223)
plt.imshow(fore, cmap="gray")
plt.axis('off')

plt.subplot(224)
plt.imshow(un, cmap="gray")
plt.axis('off')
plt.show()

運行之后，效果如下：

左上為原圖

右上為原圖膨脹后得到的圖像bg，其背景圖像是確定背景B。前景圖像是“原始圖像0-確定背景B”

左下為確定前景圖像fore

右下為未知區(qū)域圖像UN

ConnectedComponents函數(shù)

明確了確定前景后，就可以對確定前景進行標(biāo)注了。在OpenCV中，它提供了cv2.ConnectedComponents()函數(shù)進行標(biāo)注。

該函數(shù)會將背景標(biāo)注為0，將其他的對象使用從1開始的正整數(shù)標(biāo)注。它只有一個參數(shù)8位單通道的待標(biāo)注圖像。

返回值有兩個：retval為返回的標(biāo)注數(shù)量，labels為標(biāo)注的結(jié)果圖像。

下面，我們來使用該函數(shù)進行標(biāo)注。代碼如下（同樣更改上面bg下面代碼就行）：

bg = cv2.dilate(opening, k, iterations=3)
fore = np.uint8(fore)
ret, markets = cv2.connectedComponents(fore)
unknown=cv2.subtract(bg,fore)
markets=markets+1
markets[unknown==255]=0

plt.subplot(131)
plt.imshow(img, cmap="gray")
plt.axis('off')

plt.subplot(132)
plt.imshow(fore, cmap="gray")
plt.axis('off')

plt.subplot(133)
plt.imshow(markets, cmap="gray")
plt.axis('off')
plt.show()

修改上面fore = np.uint8(fore)的代碼，并修改輸出內(nèi)容。運行之后，我們會得到原圖，前景圖像的中心點圖像fore以及標(biāo)注后的結(jié)果圖像markets。效果如下：

實戰(zhàn)分水嶺算法

經(jīng)過前文的介紹，我們了解了使用分水嶺算法進行圖像分割的基本步驟：

• 通過形態(tài)學(xué)開運算對原始圖像0進行去噪
• 通過腐蝕操作獲取“確定背景B”。需要注意，這里得到“原始圖像-確定背景”即可
• 利用距離變換函數(shù)對原始圖像進行運算，并對其進行閾值處理，得到“確定前景F”
• 計算未知區(qū)域UN（UN=0-B-F）
• 利用函數(shù)cv2.connectedComponents()對原始圖像0進行標(biāo)注
• 對函數(shù)cv2.connectedComponents()的標(biāo)注結(jié)果進行修正
• 使用分水嶺函數(shù)完成圖像分割
  

完整代碼如下：

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = cv2.imread("36.jpg")
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.axis('off')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
k = np.ones((5, 5), dtype=np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, k, iterations=2)
distTransform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, fore = cv2.threshold(distTransform, 0.2 * distTransform.max(), 255, 0)
bg = cv2.dilate(opening, k, iterations=3)
fore = np.uint8(fore)
ret, markets = cv2.connectedComponents(fore)
unknown = cv2.subtract(bg, fore)
markets = markets + 1
markets[unknown == 255] = 0
markets = cv2.watershed(img, markets)
img[markets == -1] = [255, 0, 0]

plt.subplot(122)
plt.imshow(img, cmap="gray")
plt.axis('off')
plt.show()

運行之后，我們就可以得到分割的圖像：

當(dāng)然，參數(shù)可以調(diào)整，可以看到大致的硬幣被完整的分割出來了。

到此這篇關(guān)于OpenCV-Python使用分水嶺算法實現(xiàn)圖像的分割與提取的文章就介紹到這了,更多相關(guān)OpenCV圖像分割與提取內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！