OpenCV---分水嶺算法

時間 2019-11-30

標籤 opencv 分水嶺算法简体版

原文原文鏈接

推文：

OpenCV學習(7) 分水嶺算法(1)（原理簡介簡單明瞭）

OpenCV-Python教程:31.分水嶺算法對圖像進行分割（步驟講解不錯）

使用分水嶺算法進行圖像分割

（一）獲取灰度圖像，二值化圖像，進行形態學操做，消除噪點

def watershed_demo(image):
    blur = cv.pyrMeanShiftFiltering(image,10,100)
    gray = cv.cvtColor(blur,cv.COLOR_BGR2GRAY)　　#獲取灰度圖像
    ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)　　#將圖像轉爲黑色和白色部分
    cv.imshow("binary",binary)　　#獲取二值化圖像

    #形態學操做，進一步消除圖像中噪點
    kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,3))
    mb = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel,iterations=2)  #iterations連續兩次開操做，消除圖像的噪點

（二）在距離變換前加上一步操做：經過對上面形態學去噪點後的圖像，進行膨脹操做，能夠獲得大部分都是背景的區域（原黑色不是咱們須要的部分是背景）

    sure_bg = cv.dilate(mb,kernel,iterations=3) #3次膨脹,能夠獲取到大部分都是背景的區域

（三）使用距離變換distanceTransform獲取肯定的前景色

根據distanceTransform獲取距離背景最小距離的結果（詳細看下面相關知識補充） 根據distanceTransform操做的結果，設置一個閾值，使用threshold決定哪些區域是前景，這樣獲得正確結果的機率很高

    dist = cv.distanceTransform(mb,cv.DIST_L2,5)　　#獲取距離數據結果
    ret, sure_fg = cv.threshold(dist,dist.max()*0.6,255,cv.THRESH_BINARY)　　#獲取前景色

相關知識補充（重點）

（1）距離變換原理html

推文：圖像識別中距離變換的原理及做用詳解,並附用OpenCV中的distanceTransform實現距離變換的代碼!（距離變換的定義講得不錯）算法

距離變換的處理圖像一般都是二值圖像，而二值圖像其實就是把圖像分爲兩部分，即背景和物體兩部分，物體一般又稱爲前景目標！
一般咱們把前景目標的灰度值設爲255，即白色
背景的灰度值設爲0，即黑色。
因此定義中的非零像素點即爲前景目標，零像素點即爲背景。
因此圖像中前景目標中的像素點距離背景越遠，那麼距離就越大，若是咱們用這個距離值替換像素值，那麼新生成的圖像中這個點越亮。

再經過設定合理的閾值對距離變換後的圖像進行二值化處理，則可獲得去除手指的圖像(以下圖「bidist」窗口圖像所示)，手掌重心即爲該圖像的幾何中心。

（2）distanceTransform函數數組

主要用於計算非零像素到最近零像素點的最短距離。通常用於求解圖像的骨骼

def distanceTransform(src, distanceType, maskSize, dst=None, dstType=None): # real signature unknown; restored from __doc__

src：輸入的圖像，通常爲二值圖像
distanceType：所用的求解距離的類型，有CV_DIST_L1, CV_DIST_L2 , or CV_DIST_C
mask_size：距離變換掩模的大小，能夠是 3 或 5. 對 CV_DIST_L1 或 CV_DIST_C 的狀況，參數值被強制設定爲 3, 由於 3×3 mask 給出 5×5 mask 同樣的結果，並且速度還更快。

（3）如果想骨骼顯示（對咱們的分水嶺流程無影響），咱們須要對distanceTransform返回的結果進行歸一化處理，使用normalize函數

由於distanceTransform返回的圖像數據是浮點數值，要想在浮點數表示的顏色空間中，數值範圍必須是0-1.0，因此要將其中的數值進行歸一化處理

（重點）在整數表示的顏色空間中，數值範圍是0-255，但在浮點數表示的顏色空間中，數值範圍是0-1.0，因此要把0-255歸一化。
順便補充：如果不作歸一化處理，數值大於1的都會變爲1.0處理

mb = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel,iterations=2)  #iterations連續兩次開操做
    cv.imshow("mb", mb)　　#這是咱們形態學開操做過濾噪點後的圖像，暫時能夠看作源圖像
    #距離變換
    dist = cv.distanceTransform(mb,cv.DIST_L2,5)　　#這是咱們獲取的字段距離數值，對應每一個像素都有，因此數組結構和圖像數組一致
    cv.imshow("dist",dist)
    dist_output = cv.normalize(dist,0,1.0,cv.NORM_MINMAX)　　#歸一化的距離圖像數組
　  cv.imshow("distinct-t",dist_output*50)

發現了彷佛distanceTransform返回的圖像和源圖像同樣，彷佛出錯了
緣由：由於distanceTransform返回的是浮點型色彩空間，而dist中存放的數距離0值的最小距離，大可能是大於1.0的數值，
而上面提到浮點型色彩空間數值範圍0-1.0，當數值大於1.0都會被設置爲1.0，顯示白色，因此和原來的二值化圖像一致，
咱們要想顯示骨骼，必須先進行歸一化處理

下面是從二值化圖像源，distanceTransform距離數組，和歸一化距離數組中獲取的一段像素數組
    print(mb[150][120:140])　　
    print(dist[150][120:140])
    print(dist_output[150][120:140])

整數型色彩空間二值化圖像
[  0   0   0   0   0   0   0   0   0 255 255 255 255 255 255 255 255 255
 255 255]

浮點型色彩空間最小距離數組，因爲數值大於1.0都會被設置爲1.0，因此和上面二值化圖像一致
[ 0.        0.        0.        0.        0.        0.        0.
  0.        0.        1.        1.4       2.1969    3.1969    4.1969
  5.1969    6.1969    7.1969    8.196899  9.196899 10.187599]

浮點型色彩空間歸一化數組圖像，顯示骨骼
[0.         0.         0.         0.         0.         0.
 0.         0.         0.         0.00047065 0.0006589  0.00103396
 0.00150461 0.00197525 0.00244589 0.00291654 0.00338719 0.00385783
 0.00432847 0.00479474]

（四）在獲取了背景區域和前景區域（其實前景區域是咱們的種子，咱們將從這裏進行灌水，向四周漲水，可是這個須要在markers中表示）後，這兩個區域中有未重合部分（注1）怎麼辦？首先肯定這些區域（尋找種子）

注1：
這裏是求取硬幣偏白色，使用THRESH_BINARY，因此咱們獲取對象是白色區域，是獲取未重合部分
如果咱們求取樹葉等偏黑，須要使用THRESH_BINARY_INV，此時咱們獲取的對象是黑色區域，就變爲了獲取重合部分了

開始獲取未知區域unknown（柵欄會建立在這一區域），爲下一步獲取種子作準備

    surface_fg = np.uint8(sure_fg)  #保持色彩空間一致才能進行運算，如今是背景空間爲整型空間，前景爲浮點型空間，因此進行轉換
    unknown = cv.subtract(sure_bg,surface_fg)
    cv.imshow("unkown",unknown)

使用print查看背景前景色彩空間不一樣
    print(sure_fg[150][120:140])
    print(sure_bg[150][120:140])
---------------------------------------
[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]
[  0   0   0   0   0   0 255 255 255 255 255 255 255 255 255 255 255 255
 255 255]

（五）獲取了這些區域，咱們能夠獲取種子，這是經過connectedComponents實現,獲取masker標籤，肯定的前景區域會在其中顯示爲以1開始的數據，這就是咱們的種子，會從這裏開始漫水

推文：http://m.imooc.com/article/32675

推文：基於矩陣實現的Connected Components算法post

利用connectedComponents求圖中的連通圖

重點：

如今知道了那些是背景那些是硬幣（肯定的前景區域）了。
那咱們就能夠建立標籤（一個與原圖像大小相同，數據類型爲 in32 的數組），並標記其中的區域了。
對咱們已經肯定分類的區域（不管是前景仍是背景）使用不一樣的正整數標記，對咱們不肯定的區域（unknown區域）使用 0 標記。
咱們可使用函數 cv2.connectedComponents()來作這件事。
它會把對標籤進行操做，將背景標記爲 0，其餘的對象使用從 1 開始的正整數標記（其實這就是咱們的種子，水漫時會從這裏漫出）。而後將這個標籤返回給咱們markers
可是，咱們知道若是背景標記爲 0，那分水嶺算法就會把它當成未知區域了。（咱們要將未知區域標記爲0，因此咱們要將背景區域變爲其餘整數，例如+1）
因此咱們想使用不一樣的整數標記它們。
而對不肯定的區域（函數cv2.connectedComponents 輸出的結果中使用 unknown 定義未知區域）標記爲 0。

#獲取mask
ret,markers = cv.connectedComponents(surface_fg)

函數原型：學習

def connectedComponents(image, labels=None, connectivity=None, ltype=None): # real signature unknown; restored from __doc__

參數：

參數image是須要進行連通域處理的二值圖像，其餘的這裏用不到

返回值：ui

ret是連通域處理的邊緣條數，是上面提到的肯定區域（出去背景外的其餘肯定區域：就是前景），就是種子數，咱們會從種子開始向外漲水 markers是咱們建立的一個標籤（一個與原圖像大小相同，數據類型爲 in32 的數組），其中包含有咱們原圖像的確認區域的數據（前景區域）

查看部分markers：（0表明的是背景色，）

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0　　#0是咱們的背景區域
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2　　#像這些以1開始的整數就是咱們肯定的前景區域，就是咱們要找的種子
 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1
 1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0
 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

（六）根據未知區域unknown在markers中設置柵欄，並將背景區域加入種子區域，一塊兒漫水

注意：

watershed漫水算法須要咱們將柵欄區域設置爲0，因此咱們須要將markers中背景區域（原來爲0，會干擾算法）設置爲其餘整數。
解決方法將markers總體加一　　#此時種子區域不止咱們原來的前景區域，有增長了一個背景區域，咱們將從這些區域一塊兒灌水

    markers = markers + 1
    markers[unknown==255] = 0

（七）根據種子開始漫水，讓水漫起來找到最後的漫出點（柵欄邊界），越過這個點後各個山谷中水開始合併。注意watershed會將找到的柵欄在markers中設置爲-1

    markers = cv.watershed(image,markers=markers)　　#獲取柵欄
    image[markers==-1] = [0,0,255]　　#根據柵欄，咱們對原圖像進行操做，對柵欄區域設置爲紅色

markers再次查看

[-1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1 -1 -1 -1 -1 -1 -1 -1　　#漫水算法會將找到的柵欄設置爲-1
 -1 -1 -1 -1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1 -1  2  2  2  2  2  2  2  2  2  2
  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2
  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2  2 -1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1
  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1  1 -1]

（八）結果查看

（九）所有代碼

import cv2 as cv
import numpy as np

def watershed_demo(image):
    blur = cv.pyrMeanShiftFiltering(image,10,100)
    gray = cv.cvtColor(blur,cv.COLOR_BGR2GRAY)  #獲取灰度圖像

    ret,binary = cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)
    #形態學操做，進一步消除圖像中噪點
    kernel = cv.getStructuringElement(cv.MORPH_RECT,(3,3))
    mb = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel,iterations=2)  #iterations連續兩次開操做
    sure_bg = cv.dilate(mb,kernel,iterations=3) #3次膨脹,能夠獲取到大部分都是背景的區域
    cv.imshow("sure_bg",sure_bg)
    #距離變換
    dist = cv.distanceTransform(mb,cv.DIST_L2,5)
    cv.imshow("dist",dist)
    dist_output = cv.normalize(dist,0,1.0,cv.NORM_MINMAX)
    # print(mb[150][120:140])
    # print(dist[150][120:140])
    # print(dist_output[150][120:140])
    cv.imshow("distinct-t",dist_output*50)
    ret, sure_fg = cv.threshold(dist,dist.max()*0.6,255,cv.THRESH_BINARY)
    cv.imshow("sure_fg",sure_fg)
    # print(sure_fg[150][120:140])
    # print(sure_bg[150][120:140])
    #獲取未知區域
    surface_fg = np.uint8(sure_fg)  #保持色彩空間一致才能進行運算，如今是背景空間爲整型空間，前景爲浮點型空間，因此進行轉換
    unknown = cv.subtract(sure_bg,surface_fg)
    cv.imshow("unkown",unknown)
    #獲取maskers,在markers中含有種子區域
    ret,markers = cv.connectedComponents(surface_fg)
    #print(ret)

    #分水嶺變換
    markers = markers + 1
    markers[unknown==255] = 0

    markers = cv.watershed(image,markers=markers)
    image[markers==-1] = [0,0,255]

    cv.imshow("result",image)

src = cv.imread("./c.png")  #讀取圖片
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)    #建立GUI窗口,形式爲自適應
cv.imshow("input image",src)    #經過名字將圖像和窗口聯繫

watershed_demo(src)

cv.waitKey(0)   #等待用戶操做，裏面等待參數是毫秒，咱們填寫0，表明是永遠，等待用戶操做
cv.destroyAllWindows()  #銷燬全部窗口

相關標籤/搜索

每日一句

每一个你不满意的现在，都有一个你没有努力的曾经。