OpenCV之图像分割(三) 分水岭分割方法 粘连对象分离与计数&图像分割

版权声明:本文为博主原创文章,遵循 CC 4.0 by-sa 版权协议,转载请附上原文出处链接和本声明。
本文链接:https://blog.csdn.net/CJ_035/article/details/81843298

基于距离的分水岭分割流程:

代码:粘连对象分离与计数

/*
读取图像,将原图上进行pyrMeanShiftFiltering()处理,保留更多的边缘信息,
在平滑区进行滤波,保证后面二值化时的效果更好,
转成单通道,二值处理,进行距离变换,将距离变换的结果归一化,找到山峰
再一次进行二值化处理,转到CV_8U类型的图像
进行轮廓发现,绘制轮廓,每次绘制轮廓时用不同的值对每个轮廓进行标记
关键:画一个圆作为标记这个不理解
对原图形态学腐蚀,去除干扰
使用watershed函数,得到maskers
根据masker中的像素值,索引颜色填充
*/

#include<opencv2\core\core.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\imgproc\imgproc.hpp>
#include<opencv2\opencv.hpp>
#include<iostream>

using namespace std;
using namespace cv;

int main(int argc, char** argv) {
	Mat src = imread("coins_001.jpg");

	if (src.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input image", CV_WINDOW_AUTOSIZE);
	imshow("input image", src);

	Mat gray, binary, shifted;

	// 将灰度值相近的元素进行聚类,将颜色数据差距不大的像素点合成一个颜色,方便后续处理
	// 去边缘保留滤波,参数:输入图像,输出图像,空间窗的半径,色彩窗的半径
	pyrMeanShiftFiltering(src, shifted, 21, 51);
	imshow("shifted", shifted);

	//滤波后的二值化
	cvtColor(shifted, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("binary", binary);

	// distance transform
	Mat dist;
	distanceTransform(binary, dist, DistanceTypes::DIST_L2, 3, CV_32F);
	normalize(dist, dist, 0, 1, NORM_MINMAX);
	imshow("distance result", dist);

	// binary
	threshold(dist, dist, 0.4, 1, THRESH_BINARY);
	imshow("distance binary", dist);

	// markers
	Mat dist_m;
	dist.convertTo(dist_m, CV_8UC1);				//执行后,dist_m的像素值十分的小,扩大了1000倍,才看出来了轮廓
	imshow("dist", dist);							//差点误以为dist_m是一张黑图
	
	//finContours只支持CV_8UC1的格式,所以要进行通道转换
	vector<vector<Point>> contours;				
	findContours(dist_m, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point(0, 0));
	imshow("dist_m", dist_m);
	// create markers

	Mat markers = Mat::zeros(src.size(), CV_32SC1);// 如果使用 CV_8UC1 ,watershed 函数会报错
												   //因为masker最后的边缘存储是-1,所以必须使用有符号的
	for (size_t t = 0; t < contours.size(); t++) {
		drawContours(markers, contours, static_cast<int>(t), Scalar::all(static_cast<int>(t) + 1), -1);//轮廓数字编号
	}
	circle(markers, Point(5, 5), 30, Scalar(255), -1);	//关键代码!!!!!!!!!!!!!!!!!!!!!!!!!!!!1
// 创建marker,标记的位置如果在要分割的图像块上会影响分割的结果,如果不创建,分水岭变换会无效
	imshow("markers", markers * 10000);


	// 形态学操作 - 彩色图像,目的是去掉干扰,让结果更好
	Mat k = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
	morphologyEx(src, src, MORPH_ERODE, k);// 腐蚀,去粘连部位的干扰

	// 完成分水岭变换
	watershed(src, markers);
	Mat mark = Mat::zeros(markers.size(), CV_8UC1);
	markers.convertTo(mark, CV_8UC1);
	bitwise_not(mark, mark, Mat());
	//imshow("watershed result", mark);

	// generate random color
	vector<Vec3b> colors;
	for (size_t i = 0; i < contours.size(); i++) {
		int r = theRNG().uniform(0, 255);
		int g = theRNG().uniform(0, 255);
		int b = theRNG().uniform(0, 255);
		colors.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
	}

	// 颜色填充与最终显示
	Mat dst = Mat::zeros(markers.size(), CV_8UC3);
	int index = 0;
	for (int row = 0; row < markers.rows; row++) {
		for (int col = 0; col < markers.cols; col++) {
			index = markers.at<int>(row, col);
			if (index > 0 && index <= contours.size()) {
				dst.at<Vec3b>(row, col) = colors[index - 1];
			}
			else {
				dst.at<Vec3b>(row, col) = Vec3b(0, 0, 0);
			}
		}
	}

	imshow("Final Result", dst);
	printf("number of objects : %d\n", contours.size());

	waitKey(0);
	return 0;
}

效果图:

图像分割:

#include<opencv2\core\core.hpp>
#include<opencv2\highgui\highgui.hpp>
#include<opencv2\imgproc\imgproc.hpp>
#include<opencv2\opencv.hpp>
#include<iostream>

using namespace std;
using namespace cv;

void createDisplaySegments(Mat &segments, int numSegments, Mat& image);
Mat  watershedCluster(Mat& srcImg, int& numSegments);
int main(int argc, char** argv) {
	Mat srcImg = imread("cvtest.png");

	if (srcImg.empty()) {
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input image", CV_WINDOW_AUTOSIZE);
	imshow("input image", srcImg);

	int numSegments;
	Mat markers = watershedCluster(srcImg, numSegments);
	//createDisplaySegments(markers, numSegments, srcImg);

	waitKey(0);
	return 0;
}

Mat watershedCluster(Mat& srcImg, int& numComp)
{
	//二值化
	Mat src_gray, src_thresh;
	cvtColor(srcImg, src_gray, CV_BGR2GRAY);
	threshold(src_gray, src_thresh, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("binary", src_thresh);

	//距离变换
	Mat dist;
	distanceTransform(src_thresh, dist, DistanceTypes::DIST_L2, 3, CV_32F);
	normalize(dist, dist, 0, 1, NORM_MINMAX);

	//开始生成标记
	threshold(dist, dist, 0.1, 1.0, THRESH_BINARY);
	normalize(dist, dist, 0, 255, NORM_MINMAX);
	dist.convertTo(dist, CV_8UC1);

	//标记开始
	vector<vector<Point>> contours;
	vector<Vec4i> hierarchy;
	findContours(dist, contours, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
	if (contours.size() == 0)
	{
		return Mat();
	}

	Mat markers(dist.size(), CV_32S);
	markers = Scalar::all(0);
	for (int i = 0; i < contours.size(); i++) {
		drawContours(markers, contours, i, Scalar(i + 1), -1, 8, hierarchy, INT_MAX);
	}
	circle(markers, Point(5, 5), 3, Scalar(255), -1);

	// 分水岭变换
	watershed(srcImg, markers);
	numComp = contours.size();
	return markers;
}


void createDisplaySegments(Mat &markers, int numSegments, Mat &image) {
	// generate random color
	vector<Vec3b> colors;
	for (size_t i = 0; i < numSegments; i++) {
		int r = theRNG().uniform(0, 255);
		int g = theRNG().uniform(0, 255);
		int b = theRNG().uniform(0, 255);
		colors.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
	}

	// 颜色填充与最终显示
	Mat dst = Mat::zeros(markers.size(), CV_8UC3);
	int index = 0;
	for (int row = 0; row < markers.rows; row++) {
		for (int col = 0; col < markers.cols; col++) {
			index = markers.at<int>(row, col);
			if (index > 0 && index <= numSegments) {
				dst.at<Vec3b>(row, col) = colors[index - 1];
			}
			else {
				dst.at<Vec3b>(row, col) = Vec3b(255, 255, 255);
			}
		}
	}
	imshow("分水岭图像分割-演示", dst);
	return;
}

效果图:

总结:

终于可以敲代码,今天兼职值班的时候,手就一直痒痒,但又不能像之前一样,带上电脑过去(哭。。)还有几天就开学了,开学后,我要每天都敲代码6个小时以上,利用好Image Watch这个炒鸡赞的工具,继续学习新知识,加油!哈哈哈不水了。。。

第一个的效果还可以,但是第二个的效果不是很好,因为这个在makers的时候就已经出现问题了,程序中使用的算法不能够很好的得到分离,仅仅使用距离变换,但这是不够的,距离变换我的理解是为了要分开粘连区域而使用的,因为这样能更好的得到分割。所以对于这种类型的图像而言用处不大,暂时还没看到一种更好的算法能够实现,不过前面章节中的KMeans跟GMM可以用于这个。如果考虑用人机处理的方式应该可以得到,因为这样可以根据用户的需求进行分割,等下去试试看。

展开阅读全文

没有更多推荐了,返回首页