一张图看懂：OpenCV中的7种图像分割技术

「已注销」

已于 2024-07-11 09:35:21 修改

阅读量1.2k

点赞数

分类专栏： python-AI AI 算法文章标签： opencv 人工智能计算机视觉

于 2024-07-11 09:32:48 首次发布

原文链接：https://mp.weixin.qq.com/s/zq4bFkN7sXpI_u9ksofZKA

版权

python-AI 同时被 2 个专栏收录

40 篇文章

订阅专栏

AI 算法

7 篇文章

订阅专栏

今天，我们就来一起探索OpenCV中7种常用的图像分割技术，通过一系列的Python代码示例，让你对这些技术有更深入的理解。

1. 阈值分割（Thresholding）

阈值分割是最基础的图像分割方法之一，通过设定一个阈值将像素分为两组：前景和背景。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像并转换为灰度
img = cv2.imread('image.jpg', 0)
ret, thresh = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)

plt.imshow(thresh, cmap='gray')
plt.title('Thresholding')
plt.show()

2. 自适应阈值分割（Adaptive Thresholding）

自适应阈值分割能根据图像的不同区域自动调整阈值，适用于光照不均的场景。

adaptive_thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
plt.imshow(adaptive_thresh, cmap='gray')
plt.title('Adaptive Thresholding')
plt.show()

3. Otsu’s二值化

Otsu’s二值化是一种自动寻找最佳阈值的方法，特别适合于单峰分布的图像。

ret, otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
plt.imshow(otsu, cmap='gray')
plt.title("Otsu's Binarization")
plt.show()

4. 分水岭算法（Watershed）

分水岭算法常用于分割紧密相连的对象，通过模拟水流汇聚过程找到图像中的边界。

D = cv2.distanceTransform(img, cv2.DIST_L2, 5)
localMax = cv2.dilate(D, None, iterations=2)
markers = cv2.watershed(cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), localMax)
plt.imshow(markers, cmap='jet')
plt.title('Watershed Segmentation')
plt.show()

5. GrabCut

GrabCut是一种半自动的图像分割方法，需要用户给出初步的前景和背景区域。

mask = np.zeros(img.shape[:2], np.uint8)
bgdModel = np.zeros((1,65),np.float64)
fgdModel = np.zeros((1,65),np.float64)
rect = (50,50,450,290)
cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)
mask2 = np.where((mask==2)|(mask==0),0,1).astype('uint8')
img = img*mask2[:,:,np.newaxis]
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title('GrabCut')
plt.show()

6. SLIC超像素分割

SLIC（Simple Linear Iterative Clustering）是一种快速的超像素分割方法，能将图像划分为多个小的、连贯的区域。

from skimage.segmentation import slic
segments_slic = slic(img, n_segments=200, compactness=10, sigma=1)
plt.imshow(segments_slic)
plt.title('SLIC Superpixels')
plt.show()

7. 深度学习分割

虽然深度学习不在OpenCV的标准库中，但可以结合TensorFlow等框架实现更高级的图像分割任务，如语义分割和实例分割。

# 示例代码简化，实际应用需安装并配置相关深度学习框架
import tensorflow as tf
model = tf.keras.models.load_model('your_model.h5')
predictions = model.predict(img)
plt.imshow(predictions)
plt.title('Deep Learning Segmentation')
plt.show()

实战案例分析与技巧

1. 阈值分割技巧

自动阈值选择：在处理光照变化较大的场景时，尝试使用Otsu’s二值化或自适应阈值分割，以获得更好的分割效果。
噪声处理：在应用阈值分割前，使用高斯模糊或中值滤波去除图像噪声，提高分割精度。

2. 分水岭算法技巧

标记初始化：分水岭算法的效果很大程度上取决于初始标记的设置。尝试使用形态学运算或边缘检测结果作为初始标记，可以显著提高分割质量。
后处理：分割后的结果可能包含一些小的噪声区域，可以通过开闭运算进行清理。

3. GrabCut技巧

精细调整：GrabCut的结果可以通过手动调整前景和背景的掩膜来进一步优化，尤其在对象边界不清晰的情况下。
迭代次数：增加迭代次数可以提高分割精度，但也会增加计算时间，需要根据具体需求权衡。

4. SLIC超像素分割技巧

参数选择：n_segments 和 compactness 参数直接影响超像素的数量和大小。较小的 n_segments 值会生成更大的超像素，而较高的 compactness 值会使超像素更接近圆形。
后续处理：超像素分割可以作为后续图像处理任务的基础，如颜色直方图计算或特征提取。