OpenCV Python 分水岭图像分割
【目标】
- 学习使用分水岭方法进行基于标记的图像分割
- cv2.watershed()
【理论】
任何灰度图像都可以被视为地形表面，其中高强度表示山峰和丘陵，而低强度表示山谷，。你开始用不同颜色的水（标签）填充每个孤立的山谷（局部最小值）。随着水的上升，根据附近山峰（梯度），来自不同山谷的水，显然具有不同的颜色，将开始融合。为了避免这种情况，你需要在水汇合的地方建造障碍物，你继续注水和建造屏障，直到所有山峰都淹没在水下，然后，您创建的障碍会给出分割结果。这就是分水岭别后的“哲学”，您可以访问分水岭上的网页看动画，如下：
但是，由于图像中的噪声或任何其他不规则性，这种方法会产生过度分段的结果，因此，OpenCV实现了一种基于标记的分水岭算法，您可以制定哪些是要合并的所有谷点，哪些不是，这是一种交互式图像分割，我们所做的是为我们所知道的对象赋予不同的标签，用一种颜色标记我们确定是前景或对象的区域。用另一种颜色标记我们确定为背景或非对象的区域。最后，用0标记我们不确定的区域，这是我们的标记，然后应用分水岭算法，然后，我们的标记将使用我们给出的标签进行更新，对象的边界将为-1。
- 分割的流程图
- 找到标记和分割标准（标准或函数常用于分离区域，常常是对比度或梯度，但不是必要的。
- 执行标记控制的分水岭算法。
【代码】
利用距离变换和分水岭分割黏在一起的目标。
import numpy as np
import cv2
from matplotlib import pyplot as plt
# 读入图像
img = cv2.imread('assets/water_coins.jpg')
gray = cv2.imread('assets/water_coins.jpg', 0)
# 阈值化
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU )
# 开运算（先腐蚀后膨胀），去噪声
kernel = np.ones((3, 3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations = 2)
# 背景区域
sure_bg = cv2.dilate(opening, kernel, iterations = 3)
# 通过距离变换，然后阈值化找前景
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
# 这个地方的阈值（0.5 * dist_transform.max()）调节很重要，直接关系到后面的分割效果
ret, sure_fg = cv2.threshold(dist_transform, 0.5 * dist_transform.max(), 255, cv2.THRESH_BINARY)
# 计算未知区域
sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg, sure_fg)
# 标记连通区域
ret, markers = cv2.connectedComponents(sure_fg)
# 所有的标记+1，背景改为1，而不是0
markers = markers + 1
# # 标记不确定区域为0
markers[unknown==255] = 0
# 用分水岭方法找到标记，如果标记为 -1，则该位置设置蓝色，即边缘颜色
markers = cv2.watershed(img, markers)
img[markers == -1] = [255, 0, 0]
# 显示分割的图像
image2 = np.uint8(img)
cv2.imshow("img2", image2)
# 显示各阶段的图像
plt.subplot(231), plt.imshow(gray, 'gray'), plt.title(
'Original'), plt.xticks([]), plt.yticks([])
plt.subplot(232), plt.imshow(sure_bg, 'gray'), plt.title(
'sure_bg'), plt.xticks([]), plt.yticks([])
plt.subplot(233), plt.imshow(sure_fg, 'gray'), plt.title(
'sure_fg'), plt.xticks([]), plt.yticks([])
plt.subplot(234), plt.imshow(dist_transform), plt.title(
'dist_transform'), plt.xticks([]), plt.yticks([])
plt.subplot(235), plt.imshow(markers), plt.title(
'markers'), plt.xticks([]), plt.yticks([])
plt.subplot(236), plt.imshow(img), plt.title(
'img'), plt.xticks([]), plt.yticks([])
plt.show()
cv2.waitKey(0)
cv2.destroyAllWindows()
【接口】
- distanceTransform
cv.distanceTransform( src, distanceType, maskSize[, dst[, dstType]] ) -> dst
cv.distanceTransformWithLabels( src, distanceType, maskSize[, dst[, labels[, labelType]]] ) -> dst, labels
- distanceType 距离类型
- DistanceTransformMasks 距离变换mask
- DistanceTransformLabelTypes 距离变换标签类型
- connectedComponents
cv.connectedComponents( image[, labels[, connectivity[, ltype]]] ) -> retval, labels
cv.connectedComponentsWithAlgorithm( image, connectivity, ltype, ccltype[, labels] ) -> retval, labels
- ConnectedComponentsAlgorithmsTypes
- watershed
cv2.watershed( image, markers ) -> markers
【参考】
- OpenCV 官方文档
- CMM page on Watershed Transformation
- Pedro Felzenszwalb and Daniel Huttenlocher. Distance transforms of sampled functions. Technical report, Cornell University, 2004.
- Gunilla Borgefors. Distance transformations in digital images. Computer vision, graphics, and image processing, 34(3):344–371, 1986.
- Federico Bolelli, Stefano Allegretti, Lorenzo Baraldi, and Costantino Grana. Spaghetti Labeling: Directed Acyclic Graphs for Block-Based Connected Components Labeling. IEEE Transactions on Image Processing, 29(1):1999–2012, 2019.
- Costantino Grana, Daniele Borghesani, and Rita Cucchiara. Optimized Block-Based Connected Components Labeling With Decision Trees. IEEE Transactions on Image Processing, 19(6):1596–1609, 2010.
- Kesheng Wu, Ekow Otoo, and Kenji Suzuki. Optimizing two-pass connected-component labeling algorithms. Pattern Analysis and Applications, 12(2):117–135, Jun 2009.
- Fernand Meyer. Color image segmentation. In Image Processing and its Applications, 1992., International Conference on, pages 303–306. IET, 1992.
