opencv之基于距离变换与分水岭的图像分割

最新推荐文章于 2023-09-07 21:05:45 发布
最新推荐文章于 2023-09-07 21:05:45 发布
阅读量754 收藏 12
点赞数 1
分类专栏： opencv
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/Cream_Cicilian/article/details/105562950
版权

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)

在这里插入图片描述
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
在这里插入图片描述

分水岭

在这里插入图片描述
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;
}
一只大喵喵
关注
  • 1
    点赞
  • 踩
  • 12
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
基于距离变换和分水岭算法的图像分割
zhangjunp3的博客
03-24 1万+
一、图像分割的定义根据灰度、颜色、纹理和形状等特征，把图像分成若干个特定的、具有独特性质的区域，这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性，并提出感兴趣目标的技术和过程。 它是由图像处理到图像分析的关键步骤。从数学角度来看，图像分割是将数字图像划分成互不相交的区域的过程。图像分割的过程也是一个标记过程，即把属于同一区域的像索赋予相同的编号。目的是将图像中像素根据一定的...
opencv32-基于距离变换和分水岭的图像分割
weixin_38383877的博客
04-15 316
【OpenCV学习笔记35】基于距离变换与分水岭图像分割算法
CSDNjpl的博客
07-31 723
这里写自定义目录标题图像分割距离变换图像分水岭处理流程代码导出与导入导出导入 图像分割 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 距离变换的...
使用距离变换的分水岭分割
仰望星空的麦兜
05-29 5633
针对分割，与分水岭变换相配合的常用工具是距离变换。二值图像的距离变换是相对简单的概念：是指从每个像素到最接近零值的像素的距离。例如，图10-25(a)显示了一个小的二值图像矩阵。图10-25(b)显示了相应的距离变换。注意，每个值为1的像素的距离变换为0，因为最靠近的非0像素是它本身。距离变换可以用工具箱函数bwdist来计算，调用语法为： D = bwdist(f) 
opencv中基于距离变换与分水岭变换的图像分割代码
10-27
在win32控制台程序中，opencv中基于距离变换与分水岭变换的图像分割代码
opencv基于距离变换与分水岭的图像分割实例下载
01-21
OpenCV（开源计算机视觉库）提供了丰富的工具和算法来实现图像分割，其中包括基于距离变换与分水岭算法的方法。本实例下载的项目将详细阐述这一过程，使用的版本为OpenCV3.3。 首先，我们需要理解图像分割的基本...
基于距离变换与分水岭的图像分割.docx
10-26
以下代码展示了如何使用OpenCV进行分水岭图像分割。首先加载图像，然后将白色背景变为黑色，接着进行预处理，创建标记图像，最后调用`cv::watershed`函数进行分割。 ```cpp #include <opencv2/opencv.hpp> #include...
基于距离变换和分水岭分割的图像分割代码
05-28
基于距离变换和分水岭分割的图像分割代码，VS2013, opencv2.4.9,
Opencv实现用于图像分割分水岭算法
08-28
Opencv实现用于图像分割分水岭算法 Opencv实现用于图像分割分水岭算法是计算机视觉领域中的一种常用技术，主要用于图像分割，特别是在处理紧挨在一起的对象时。该算法基于掩模的分水岭算法，通过设置哪些山谷点会...
OpenCV 图像处理学习二十二，基于距离变换和分水岭的图像分割
weixin_44651073的博客
09-05 2098
基于距离变换和分水岭的图像分割
32.基于距离变换和分水岭的图像分割
Chang_Shuang的博客
03-02 140
#include <opencv2/opencv.hpp> #include <iostream> int main(int argc, char** argv){ char intput_win[] = "input image"; char watershed_win[] = "watershed segmentation demo"; cv::Mat src = cv::imread("../../source/segmetation_1.png");
OpenCV（26）图像分割 -- 距离变换与分水岭算法（硬币检测、扑克牌检测、车道检测）
great_yzl的博客
08-21 8523
一、基础理论 1、思想 防止同化。 任何灰度图像都可以看作是一个地形表面，其中高强度表示山峰，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)。随着水位的上升，根据附近的山峰(坡度)，来自不同山谷的水明显会开始合并，颜色也不同。为了避免这种情况，你要在水融合的地方建造屏障。你继续填满水，建造障碍，直到所有的山峰都在水下。然后你创建的屏障将返回你的分割结果。这就是Watershed背后的“思想”。你可以访问Watershed的CMM网页...
OpenCV笔记（三十二）基于距离变换与分水岭的图像分割
Jayuee的博客
04-14 309
文章目录一、理论1.图像分割2.距离变换3.分水岭变换二、相关API1.distanceTransform2.watershed三、处理步骤四、综合例程 一、理论 1.图像分割 Image Segmentation 图像分割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...
opencv学习(8):opencv距离转换函数cv::distanceTransform()
biter0088的博客
04-15 5339
对应头文件: #include <opencv2/imgproc.hpp> 函数功能： 计算源图像的每个像素到最近的零像素的距离。函数 cv::distanceTransform 计算从每个二进制图像像素到最近的零像素的近似或精确距离。 对于零图像像素，距离显然为零。 distanceTransform() [1/2] c++格式 void cv::distanceTransform ( InputArray src, OutputArray ds...
OpenCV（二十七）：图像距离变换
最新发布
weixin_63357306的博客
09-07 942
1.像素间距离街区距离、欧式距离和棋盘距离2.距离变换函数distanceTransform()，示例代码：
距离变换-distanceTransform
热门推荐
剑指天空的博客
05-26 2万+
距离变换-distanceTransform 1:Opencv中distanceTransform方法用于计算图像中每一个非零点距离离自己最近的零点的距离，distanceTransform的第二个Mat矩阵参数dst保存了每一个点与最近的零点的距离信息，图像上越亮的点，代表了离零点的距离越远。 实例代码如下： #include &lt;opencv2/imgproc/imgproc.h...
Opencv距离变换distanceTransform应用——细化字符轮廓&&查找物体质心
我不是校长的博客
01-09 1万+
原文地址:http://blog.csdn.net/dcrmg/article/details/52517991 OpenCV中distanceTransform方法用于计算图像中每一个非零点距离离自己最近的零点的距离，distanceTransform的第二个Mat矩阵参数dst保存了每一个点与最近的零点的距离信息，图像上越亮的点，代表了离零点的距离越远。 可以根据距离变
用OpenCV的函数distanceTransform()作图像的距离变换,并找出图像中图形的几何中心
昊虹AI笔记
06-13 1913
距离变换运算用于计算二值化图像中的每一个非零点距自己最近的零点的距离，距离变换图像上越亮的点，代表了这一点距离零点的距离越远。 通过以上定义我们可以想到距离变换通常用于细化字符的轮廓和查找物体的质心(中心)。 OpenCV提供了函数distanceTransform()用于计算二值化图像的距离变换。 函数distanceTransform()有两个C++原型，分别如下： C++: void distanceTransform(InputArray src, OutputArray d
python opencv 基于分水岭算法的图像分割
05-28
在 OpenCV 中，可以使用 cv2.watershed() 函数实现基于分水岭算法的图像分割。 下面是一个简单的 Python 示例，演示如何使用基于分水岭算法的图像分割： ```python import cv2 import numpy as np # 读取图像 img...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值