opencv之基于距离变换与分水岭的图像分割
什么是图像分割(Image Segmentation)
图像分割(Image Segmentation)是图像处理最重要的处理手段之一
图像分割的目标是将图像中像素根据一定的规则分为若干(N)个cluster集合,每个集合包含一类像素。
根据算法分为监督学习方法和无监督学习方法,图像分割的算法多数都是无监督学习方法 - KMeans
距离变换与分水岭介绍
距离变换
测试点多边形得到结果跟距离变换相似
分水岭
距离变换常见算法有两种
- 不断膨胀/ 腐蚀得到
- 基于倒角距离
分水岭变换常见的算法
- 基于浸泡理论实现
距离变换API cv::distanceTransform
cv::distanceTransform(InputArray src, OutputArray dst, OutputArray labels, int distanceType, int maskSize, int labelType=DIST_LABEL_CCOMP)
distanceType = DIST_L1/DIST_L2,
maskSize = 3x3,最新的支持5x5,推荐3x3、
labels离散维诺图输出
dst输出8位或者32位的浮点数,单一通道,大小与输入图像一致
分水岭API cv::distanceTransform
cv::watershed(InputArray image, InputOutputArray markers)
处理流程
1.将白色背景变成黑色-目的是为后面的变换做准备
2. 使用filter2D与拉普拉斯算子实现图像对比度提高,sharp
3. 转为二值图像通过threshold
4. 距离变换
5. 对距离变换结果进行归一化到[0~1]之间
6. 使用阈值,再次二值化,得到标记
7. 腐蚀得到每个Peak - erode
8.发现轮廓 – findContours
9. 绘制轮廓- drawContours
10.分水岭变换 watershed
11. 对每个分割区域着色输出结果
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>
#include<iostream>
#include<math.h>
using namespace std;
using namespace cv;
Mat src, dst;
char output_win[] = "output image";
char input_win[] = "input image";
char watershed_win[] = "watershed segmentation demo";
int main(int argc, char** argv)
{
src = imread("C:/Users/Admin/Desktop/2.jpg"); //读取图片(使用图片的绝对路径)
if (src.empty()) {
printf("could not find the image!\n");
return -1;
}
namedWindow(input_win, WINDOW_AUTOSIZE);
imshow(input_win, src); //输出原图
/*第一步:将白色背景变成黑色-目的是为后面的变换做准备*/
for (int row = 0; row < src.rows; row++) {
for (int col = 0; col < src.cols; col++) {
if (src.at<Vec3b>(row, col) == Vec3b(255, 255, 255)) {
src.at<Vec3b>(row, col)[0] = 0;
src.at<Vec3b>(row, col)[1] = 0;
src.at<Vec3b>(row, col)[2] = 0;
}
}
}
namedWindow("black background", WINDOW_AUTOSIZE);
imshow("black background", src);//输出背景变化后的图片
/*第二步:使用filter2D与拉普拉斯算子实现图像对比度提高,sharp锐化
拉普拉斯得到图像边缘
用原图减去边缘,差值更大,图像得到锐化,为图像二值化做准备
*/
Mat kernel = (Mat_<float>(3, 3) << 1, 1, 1, 1, -8, 1, 1, 1, 1);//定义矩阵数组
Mat imgLaplance;//定义卷积操作后得到的图片
Mat sharpenImg = src;
filter2D(src, imgLaplance, CV_32F, kernel, Point(-1, -1), 0, BORDER_DEFAULT);//进行拉普拉斯卷积运算 CV_32F float
src.convertTo(sharpenImg, CV_32F);//精度转换
//CV_8U是 unsign 的8位/像素-即一个像素的值在0-255区间,这是大多数图像和视频格式的正常范围。
//CV_32F是 float -像素是在0-1.0之间的任意值,这对于一些数据集的计算很有用,但是它必须通过将每个像素乘以255来转换成8位来保存或显示。
//CV_8U用于显示,CV_32F用于计算
Mat resultImg = sharpenImg - imgLaplance;//用原图减去边缘,差值更大,图像得到锐化
resultImg.convertTo(resultImg, CV_8UC3);
imgLaplance.convertTo(imgLaplance, CV_8UC3);
imshow("sharpen image", resultImg);//显示锐化后的图像
// src = resultImg; // copy back
/*第三步:转为二值图像通过threshold*/
Mat binaryImg;//定义二值化操作后的图像
cvtColor(src, resultImg, COLOR_BGR2GRAY);//将图像灰度化
threshold(resultImg, binaryImg, 40, 255, THRESH_BINARY | THRESH_OTSU);//将图像二值化
imshow("binary image", binaryImg);//输出二值化后的图像
/*第四步:距离变换*/
Mat distImg;//定义距离变换后的图像
distanceTransform(binaryImg, distImg, DIST_L1, 3, 5);//进行距离变换
/*第五步:对距离变换结果进行归一化到[0~1]之间*/
normalize(distImg, distImg, 0, 1, NORM_MINMAX);//将图像归一化,才能在黑白图像中显出层次
imshow("distance result", distImg);//输出距离变换后的图像
/*第六步:使用阈值,再次二值化,得到标记*/
threshold(distImg, distImg, 0.4, 1, THRESH_BINARY);//再次二值化
imshow("twobinary image", distImg);//输出再次二值化后的图像
/*第七步:腐蚀得到每个Peak - erode*/
Mat k1 = Mat::ones(13, 13, CV_8UC1);//创建一张空白图用于充当结构元素13数值越大,更多的被腐蚀
erode(distImg, distImg, k1, Point(-1, -1));//腐蚀
imshow("distance binary image", distImg);//输出腐蚀后的图像
/*第八步:发现轮廓 – findContours*/
Mat dist_8u;
distImg.convertTo(dist_8u, CV_8U);//精度转换
vector<vector<Point>> contours;//contours被定义成二维浮知点型向量,用于存储找到的边界的(x,y)坐标
/*vector<Vec4i> hierachy;//定义层级,在找边界findcontours的时候会自动生成,只是给它开辟一个空间*/
findContours(dist_8u, contours,RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point(0, 0));//发现轮廓
/*第九步:绘制轮廓- drawContours*/
Mat markers = Mat::zeros(src.size(), CV_8UC1);//创建和原图同样大小的图像
//教学源码使用的CV_32SC1一值报absorb() has been called的错
//在网上查询了一下只有采取CV_RETR_CCOMP或者CV_RETR_FLOODFILL模式时,才能用CV_32SC1,其他情况都应该是CV_8UC1
for (size_t i = 0; i < contours.size(); i++) {
drawContours(markers, contours, static_cast<int>(i), Scalar::all(static_cast<int>(i) + 1), -1);
}//绘制轮廓
circle(markers, Point(5, 5), 3, Scalar(255, 255, 255), -1);//画了一个圆
imshow("my markers", markers*10);//输出绘制完轮廓的图像
/*第十步:分水岭变换 watershed*/
markers.convertTo(markers, CV_32SC1);//因为之前的CV_32SC1我用的CV_8UC1,但是 watershed需要CV_32SC1的数据类型进行计算,所以只有改一下
watershed(src, markers);//分水岭变换
Mat mark = Mat::zeros(markers.size(), CV_8UC1);//创建和原图同样大小的图像
markers.convertTo(mark, CV_8UC1);//再次把图像数据类型转变回来
bitwise_not(mark, mark, Mat());//是对二进制数据进行“非”操作,即对图像(灰度图像或彩色图像均可)每个像素值进行二进制“非”操作,~1=0,~0=1
imshow("watershed image", mark);
/*对每个分割区域着色输出结果*/
// 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));
}
// fill with color and display final result
Mat dst = Mat::zeros(markers.size(), CV_8UC3);
for (int row = 0; row < markers.rows; row++) {
for (int col = 0; col < markers.cols; col++) {
int index = markers.at<int>(row, col);
if (index > 0 && index <= static_cast<int>(contours.size())) {
dst.at<Vec3b>(row, col) = colors[index - 1];
}
else {
dst.at<Vec3b>(row, col) = Vec3b(0, 0, 0);
}
}
}
imshow("Final Result", dst);
waitKey(0);//不加此语句图片会一闪而过
system("path");
getchar();
return 0;
}
基于canny边缘检测的分水岭分割
#include <opencv2/opencv.hpp>
#include <opencv2/imgproc.hpp>
#include<iostream>
#include<math.h>
using namespace std;
using namespace cv;
Mat src, dst;
char output_win[] = "output image";
char input_win[] = "input image";
char watershed_win[] = "watershed segmentation demo";
int main(int argc, char** argv)
{
src = imread("C:/Users/Admin/Desktop/38.jpg"); //读取图片(使用图片的绝对路径)
if (src.empty()) {
printf("could not find the image!\n");
return -1;
}
namedWindow(input_win, WINDOW_AUTOSIZE);
imshow(input_win, src); //输出原图
Mat resultImg;
Canny(src, resultImg, 80, 160, 3, false);
/*第三步:转为二值图像通过threshold*/
Mat binaryImg;//定义二值化操作后的图像
cvtColor(src, resultImg, COLOR_BGR2GRAY);//将图像灰度化
threshold(resultImg, binaryImg, 40, 255, THRESH_BINARY | THRESH_OTSU);//将图像二值化
imshow("binary image", binaryImg);//输出二值化后的图像
/*第四步:距离变换*/
Mat distImg;//定义距离变换后的图像
distanceTransform(binaryImg, distImg, DIST_L1, 3, 5);//进行距离变换
/*第五步:对距离变换结果进行归一化到[0~1]之间*/
normalize(distImg, distImg, 0, 1, NORM_MINMAX);//将图像归一化,才能在黑白图像中显出层次
imshow("distance result", distImg);//输出距离变换后的图像
/*第六步:使用阈值,再次二值化,得到标记*/
threshold(distImg, distImg, 0.4, 1, THRESH_BINARY);//再次二值化
imshow("twobinary image", distImg);//输出再次二值化后的图像
/*第七步:腐蚀得到每个Peak - erode*/
Mat k1 = Mat::ones(13, 13, CV_8UC1);//创建一张空白图用于充当结构元素13数值越大,更多的被腐蚀
erode(distImg, distImg, k1, Point(-1, -1));//腐蚀
imshow("distance binary image", distImg);//输出腐蚀后的图像
/*第八步:发现轮廓 – findContours*/
Mat dist_8u;
distImg.convertTo(dist_8u, CV_8U);//精度转换
vector<vector<Point>> contours;//contours被定义成二维浮知点型向量,用于存储找到的边界的(x,y)坐标
/*vector<Vec4i> hierachy;//定义层级,在找边界findcontours的时候会自动生成,只是给它开辟一个空间*/
findContours(dist_8u, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point(0, 0));//发现轮廓
/*第九步:绘制轮廓- drawContours*/
Mat markers = Mat::zeros(src.size(), CV_8UC1);//创建和原图同样大小的图像
//教学源码使用的CV_32SC1一值报absorb() has been called的错
//在网上查询了一下只有采取CV_RETR_CCOMP或者CV_RETR_FLOODFILL模式时,才能用CV_32SC1,其他情况都应该是CV_8UC1
for (size_t i = 0; i < contours.size(); i++) {
drawContours(markers, contours, static_cast<int>(i), Scalar::all(static_cast<int>(i) + 1), -1);
}//绘制轮廓
circle(markers, Point(5, 5), 3, Scalar(255, 255, 255), -1);//画了一个圆
imshow("my markers", markers * 10);//输出绘制完轮廓的图像
/*第十步:分水岭变换 watershed*/
markers.convertTo(markers, CV_32SC1);//因为之前的CV_32SC1我用的CV_8UC1,但是 watershed需要CV_32SC1的数据类型进行计算,所以只有改一下
watershed(src, markers);//分水岭变换
Mat mark = Mat::zeros(markers.size(), CV_8UC1);//创建和原图同样大小的图像
markers.convertTo(mark, CV_8UC1);//再次把图像数据类型转变回来
bitwise_not(mark, mark, Mat());//是对二进制数据进行“非”操作,即对图像(灰度图像或彩色图像均可)每个像素值进行二进制“非”操作,~1=0,~0=1
imshow("watershed image", mark);
/*对每个分割区域着色输出结果*/
// 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));
}
// fill with color and display final result
Mat dst = Mat::zeros(markers.size(), CV_8UC3);
for (int row = 0; row < markers.rows; row++) {
for (int col = 0; col < markers.cols; col++) {
int index = markers.at<int>(row, col);
if (index > 0 && index <= static_cast<int>(contours.size())) {
dst.at<Vec3b>(row, col) = colors[index - 1];
}
else {
dst.at<Vec3b>(row, col) = Vec3b(0, 0, 0);
}
}
}
imshow("Final Result", dst);
waitKey(0);//不加此语句图片会一闪而过
system("path");
getchar();
return 0;
}