C++OpenCV系统学习（16）——图像分割与抠图（3）分水岭算法

最新推荐文章于 2024-05-27 16:56:13 发布
最新推荐文章于 2024-05-27 16:56:13 发布
阅读量4.3k 收藏 59
点赞数 12
分类专栏： c++opencv图像处理 文章标签： opencv c++ 算法
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/bigData1994pb/article/details/120150278
版权

        在图像分割与抠图（1）和（2）中说到的图像分割的方式都是机器学习的方法，分水岭算法是基于图像图像形态学和结构的方法来进行图像的分割。基于机器学习的方式本质是通过概率统计与建模，通过数学的方式对图像进行分割与分类。分水岭算法是通过图像本身的特征对图像进行分割与分类。

1.分水岭算法概述

1.1.分水岭算法的理解

        分水岭（Watershed）是基于地理形态的分析的图像分割算法，模仿地理结构（比如山川、沟壑，盆地）来实现对不同物体的分类。分水岭算法中会用到一个重要的概念——测地线距离

        图像的灰度空间很像地球表面的整个地理结构，每个像素的灰度值代表高度。其中的灰度值较大的像素连成的线可以看做山脊，也就是分水岭。其中的水就是用于二值化的gray threshold level，二值化阈值可以理解为水平面，比水平面低的区域会被淹没，刚开始用水填充每个孤立的山谷(局部最小值)。

        当水平面上升到一定高度时，水就会溢出当前山谷，可以通过在分水岭上修大坝，从而避免两个山谷的水汇集，这样图像就被分成2个像素集，一个是被水淹没的山谷像素集，一个是分水岭线像素集。最终这些大坝形成的线就对整个图像进行了分区，实现对图像的分割。

 在该算法中，空间上相邻并且灰度值相近的像素被划分为一个区域。

 1.2.分水岭算法的过程

分水岭算法的整个过程：

  1. 把梯度图像中的所有像素按照灰度值进行分类，并设定一个测地距离阈值。
  2. 找到灰度值最小的像素点（默认标记为灰度值最低点），让threshold从最小值开始增长，这些点为起始点。
  3. 水平面在增长的过程中，会碰到周围的邻域像素，测量这些像素到起始点（灰度值最低点）的测地距离，如果小于设定阈值，则将这些像素淹没，否则在这些像素上设置大坝，这样就对这些邻域像素进行了分类。
  4. 随着水平面越来越高，会设置更多更高的大坝，直到灰度值的最大值，所有区域都在分水岭线上相遇，这些大坝就对整个图像像素的进行了分区。

        用上面的算法对图像进行分水岭运算，由于噪声点或其它因素的干扰，可能会得到密密麻麻的小区域，即图像被分得太细（over-segmented，过度分割），这因为图像中有非常多的局部极小值点，每个点都会自成一个小区域。

其中的解决方法：

  1. 对图像进行高斯平滑操作，抹除很多小的最小值，这些小分区就会合并。
  2. 不从最小值开始增长，可以将相对较高的灰度值像素作为起始点（需要用户手动标记），从标记处开始进行淹没，则很多小区域都会被合并为一个区域，这被称为基于图像标记(mark)的分水岭算法。

 其中标记的每个点就相当于分水岭中的注水点，从这些点开始注水使得水平面上升，但是如上图所示，图像中需要分割的区域太多了，手动标记太麻烦，我们可是使用距离转换的方法进行标记，OpenCV中就是使用的这种方法。

 1.3.分水岭算法应用

  • 分割粘连对象。实现形态学操作与对象计数
  • 图像分割

1.4.基于距离的分水岭分割流程

              

 2.案例实战

2.1粘连对象分离与计数

void MyApi::Watershed_image_segmentation(Mat& image)
{
	Mat gray, binary, shiffted;
	pyrMeanShiftFiltering(image, shiffted, 21, 51);
	imshow("shiftd", shiffted);

	cvtColor(shiffted, gray, COLOR_BGR2GRAY);
	threshold(gray, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);
	imshow("binary", binary);
}

        如果用二值化后的图，由于还有很多的小点，再利用分水岭算法可能会导致过度分割。因此我们可以先使用均值偏移再进行二值化就可以消除出毛点。

 通过均值漂移后再进行二值化毛点得以处理。

 再对二值化后的图像进行距离变换：

void MyApi::Watershed_image_segmentation(Mat& image)
{
	Mat gray, binary, shiffted;
	//均值漂移：消除毛点
	pyrMeanShiftFiltering(image, shiffted, 21, 51);
	cvtColor(shiffted, 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);//由于距离变换后值变得非常小，需要归一化到0-1
	imshow("distance transform result", dist);

}

 左图是二值化的， 右图是距离变换后的，在图像中最亮的部分就是山头最高的部分（像素值最大的部分）

 距离变换之后寻找种子：

void MyApi::Watershed_image_segmentation(Mat& image)
{
	Mat gray, binary, shiffted;
	//均值漂移：消除毛点
	pyrMeanShiftFiltering(image, shiffted, 21, 51);
	cvtColor(shiffted, 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);//由于距离变换后值变得非常小，需要归一化到0-1
	imshow("distance transform result", dist);

	//x寻找种子：距离变换只有再进行二值化，主要是为了找局部最大
	threshold(dist, dist, 0.3, 1, THRESH_BINARY);//由于是经过归一化后的数据，所以阈值我们设置在0.4
	imshow("distance binary", dist);
}

 可以看到一共有九个种子。

 分水岭操作以后结果如下：

void MyApi::Watershed_image_segmentation(Mat& image)
{
	Mat gray, binary, shiffted;
	//均值漂移：消除毛点
	pyrMeanShiftFiltering(image, shiffted, 21, 51);
	cvtColor(shiffted, 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);//由于距离变换后值变得非常小，需要归一化到0-1
	//imshow("distance transform result", dist);

	//寻找种子：距离变换只有再进行二值化，主要是为了找局部最大
	threshold(dist, dist, 0.2, 1, THRESH_BINARY);//由于是经过归一化后的数据，所以阈值我们设置在0.4
	//imshow("distance binary", dist);

	//生成Masker
	Mat dist_m;
	dist.convertTo(dist_m, CV_8U);//转换了8位单通道
	//找轮廓
	vector<vector<Point>>contours;
	findContours(dist_m, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point(0, 0));
	//create markers
	Mat markers = Mat::zeros(image.size(), CV_32SC1);
	for (size_t t = 0; t < contours.size(); t++)
	{
		drawContours(markers, contours, static_cast<int>(t), Scalar::all(static_cast<int>(t) + 1), -1);
	}
	circle(markers, Point(5, 5), 3, Scalar(255), -1);
	//imshow("marker", markers*10000);

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

但是我们可以通过原图看出，如下图用红色标记的，两个三个硬币之间是有缝隙的，但是经过分水岭操作以后缝隙没有了，所以我们需要对他先做一个形态学操作，去除干扰再进行分水岭操作。

 经过形态学操作以后再进行分水岭操作结果如下：

void MyApi::Watershed_image_segmentation(Mat& image)
{
	Mat gray, binary, shiffted;
	//均值漂移：消除毛点
	pyrMeanShiftFiltering(image, shiffted, 21, 51);
	cvtColor(shiffted, 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);//由于距离变换后值变得非常小，需要归一化到0-1
	//imshow("distance transform result", dist);

	//寻找种子：距离变换只有再进行二值化，主要是为了找局部最大
	threshold(dist, dist, 0.2, 1, THRESH_BINARY);//由于是经过归一化后的数据，所以阈值我们设置在0.4
	//imshow("distance binary", dist);

	//生成Masker
	Mat dist_m;
	dist.convertTo(dist_m, CV_8U);//转换了8位单通道
	//找轮廓
	vector<vector<Point>>contours;
	findContours(dist_m, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point(0, 0));
	//create markers
	Mat markers = Mat::zeros(image.size(), CV_32SC1);
	for (size_t t = 0; t < contours.size(); t++)
	{
		drawContours(markers, contours, static_cast<int>(t), Scalar::all(static_cast<int>(t) + 1), -1);
	}
	circle(markers, Point(5, 5), 3, Scalar(255), -1);
	//imshow("marker", markers*10000);

	//形态学操作，目的是去掉干扰，让结果更好
	Mat k = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
	morphologyEx(image, image, MORPH_ERODE, k);

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

 这样的效果就很好了。

然后生成随机颜色对他进行颜色。

全部代码如下：

void MyApi::Watershed_image_segmentation(Mat& image)
{
	Mat gray, binary, shiffted;
	//均值漂移：消除毛点
	pyrMeanShiftFiltering(image, shiffted, 21, 51);
	cvtColor(shiffted, 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);//由于距离变换后值变得非常小，需要归一化到0-1
	//imshow("distance transform result", dist);

	//寻找种子：距离变换只有再进行二值化，主要是为了找局部最大
	threshold(dist, dist, 0.2, 1, THRESH_BINARY);//由于是经过归一化后的数据，所以阈值我们设置在0.4
	//imshow("distance binary", dist);

	//生成Masker
	Mat dist_m;
	dist.convertTo(dist_m, CV_8U);//转换了8位单通道
	//找轮廓
	vector<vector<Point>>contours;
	findContours(dist_m, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point(0, 0));
	//create markers
	Mat markers = Mat::zeros(image.size(), CV_32SC1);
	for (size_t t = 0; t < contours.size(); t++)
	{
		drawContours(markers, contours, static_cast<int>(t), Scalar::all(static_cast<int>(t) + 1), -1);
	}
	circle(markers, Point(5, 5), 3, Scalar(255), -1);
	//imshow("marker", markers*10000);

	//形态学操作，目的是去掉干扰，让结果更好
	Mat k = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
	morphologyEx(image, image, MORPH_ERODE, k);

	//完成分水岭变换
	watershed(image, 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++)
		{
			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("Finall result", dst);
	printf("number of object:%d", contours.size());
}

2.2图像分割

#include<opencv2/opencv.hpp>
#include<iostream>
using namespace std;
using namespace cv;
//执行分水岭算法函数
Mat watershedCluster(Mat &srcImg, int &numSegments);
//结果显示函数
void DisplaySegments(Mat &markersImg, int numSegments);
void test()
{
    Mat srcImg;
    srcImg = imread("toux.jpg");
    if (srcImg.empty())
    {
        cout << "could not load image...\n" << endl;
    }

    namedWindow("Original image", CV_WINDOW_AUTOSIZE);
    imshow("Original image", srcImg);

    int numSegments;
    Mat markers = watershedCluster(srcImg, numSegments);
    DisplaySegments(markers, numSegments);
}

Mat watershedCluster(Mat &srcImg, int &numSegments)
{
    //二值化
    Mat grayImg, binaryImg;
    cvtColor(srcImg, grayImg, COLOR_BGR2GRAY);
    threshold(grayImg, binaryImg, 0, 255, THRESH_BINARY | THRESH_OTSU);

    //形态学和距离变换
    Mat kernel = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
    morphologyEx(binaryImg, binaryImg, MORPH_OPEN, kernel, Point(-1, -1));

    Mat distImg;
    distanceTransform(binaryImg, distImg, DistanceTypes::DIST_L2, 3, CV_32F);
    normalize(distImg, distImg, 0.0, 1.0, NORM_MINMAX);

    //开始生成标记
    threshold(distImg, distImg, 0.1, 1.0, THRESH_BINARY);
    normalize(distImg, distImg, 0, 255, NORM_MINMAX);
    distImg.convertTo(distImg, CV_8UC1);  //CV_32F 转成 CV_8UC1

    //标记开始
    vector<vector<Point>>contours;
    vector<Vec4i>hireachy;
    findContours(distImg, contours, hireachy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
    if (contours.empty())
    {
        return Mat();
    }

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

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

void DisplaySegments(Mat &markersImg, int numSegments)
{
    //生成随机颜色
    vector<Vec3b>colors;
    for (int 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));
    }

    //颜色填充和最终显示
    Mat dstImg = Mat::zeros(markersImg.size(), CV_8UC3);
    int index = 0;
    for (int i = 0; i < markersImg.rows; i++)
    {
        for (int j = 0; j < markersImg.cols; j++)
        {
            index = markersImg.at<int>(i, j);
            if (index > 0 && index <= numSegments)
            {
                dstImg.at<Vec3b>(i, j) = colors[index - 1];
            }
            else
            {
                dstImg.at<Vec3b>(i, j) = Vec3b(255, 255, 255);
            }
        }
    }
    cout << "number of objects:" << numSegments << endl;
    namedWindow("Final Result", CV_WINDOW_AUTOSIZE);
    imshow("Final Result", dstImg);
}
int main()
{
    test();
    waitKey(0);
    return 0;
}

AI炮灰
关注
  • 12
    点赞
  • 踩
  • 59
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
c++实现分水岭算法
m0_48721666的博客
03-02 744
c++用OpenCV库实现分水岭算法
垂直投影算法——OpenCV3.1.0和C++实现——分割图像
鬼刀
07-20 3211
对文本中的多行进行分割 直接上代码 #include<opencv2/imgproc/imgproc.hpp> #include<opencv2/highgui/highgui.hpp> #include<opencv2/core/core.hpp> #include<...
分水岭算法（watershed）C++版
m0_55776553的博客
12-12 164
分水岭算法（watershed）C++版
C++实现分水岭算法（Watershed Algorithm）
08-28
主要为大家详细介绍了C++实现分水岭算法Watershed Algorithm，具有一定的参考价值，感兴趣的小伙伴们可以参考一下
图像处理之基于标记的分水岭算法（C++）
最新发布
qq_45045175的博客
05-27 467
本文主要介绍了一种基于标记的分水岭算法的应用，关键在于如何巧妙地设计“标记图”，欢迎讨论交流。
水淹模拟以及实现过程（转）
odexin的专栏
11-16 497
转自：https://blog.csdn.net/sinat_36564005/article/details/109528723 背景: 在使用skyline开发的过程中,有些功能并不满足实际需求,所以我们就需要自己重写设计以及做一些计算,比如模拟水淹过程,水淹洼地分析,以及水淹面积和体积计算等等. 需求整个计算过程: 水淹算法本身并不难,只是种子填充算法的扩展. 通俗点讲,就是像素之间的连通域问题; 难的是在从鼠标选择区域->切割改区域的地形数据->将三维地形数据降...
c++视觉处理----分水岭算法
qq_46107892的博客
10-12 237
c++视觉处理----分水岭算法
有关opencv的学习（18）—图像的分水岭算法实现
qq_35724402的博客
03-24 548
图像的分水岭变换是一种流行的图像处理算法，用于快速将图像分割成多个同质区域。      它基于这样的思想：如果把图像看作一个拓扑地貌，那么同类区域就相当于陡峭的边缘内相对平坦的盆地。      使用图像的分水岭分割算法，函数为：       CV_EXPORTS_W void watershed( InputArray image, InputOutputArray marke
OpenCV图像分割中的分水岭算法原理与应用详解
08-28
OpenCV中的分水岭算法是一种图像分割方法，它源自地理学中的分水岭概念，将图像视为地形，像素灰度值表示海拔高度。该算法通过模拟水浸过程，找到图像中的区域分界线，即“分水岭”。传统分水岭算法会面临过分割问题...
opencv-基于c++实现的opencv图像处理算法之图像分割算法分水岭算法.zip
04-17
本文将深入探讨如何使用C++语言通过OpenCV库实现图像分割中的分水岭算法。图像分割是图像分析的关键步骤，旨在将图像划分为多个具有相似特征的区域，从而提取有用信息或识别目标。 首先，我们要了解分水岭算法的...
TIN地形坡度坡向分析和淹没分析
12-15
在SuperMap iDesktop 9D版本新增了针对TIN地形的坡度坡向、淹没分析的功能。该范例程序就是通过组件来简单实现桌面中的这两个功能。
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...
C++和opencv实现图像分割（一）
聂小星
03-26 9592
一、目标图片： 二、分割目的： 检测并分割图中的皮革部分 三、实现思路及步骤： 将图像转化位HSV色彩域，肉眼能够清晰看见皮革表面轮廓 设置滑动条选取合适HSV上下边界阈值分割皮革轮廓区域 只用腐蚀处理去除小噪点，使用多边形逼近画出皮革边界 四、完整代码实例： #include <opencv2\opencv.hpp> #includ...
OpenCV实践：去除票据中的红色印章
zhw864680355的博客
12-31 2582
现实生活中，一些票据（比如发票、车票）等都会有一个红色印章，有时会盖在某个关键区域，影响了其他的字符识别。因此，为了提高准确率，我们尽量会移除红色印章，具体实现方法如下： 对彩色图分离通道，拿到红色通道图 进行阈值分割 #include<iostream> #include<opencv2\opencv.hpp> #include<opencv2\highgui...
C++分析淹没EIP
byteway的专栏
09-25 1712
可定位的EIP位置，利用数据段数据给EIP位置赋值，强行转移程序的执行流程，也就是关键是pop EIP时栈顶的数据决定，因为EIP会把pop过来的数据当指令地址去寻址执行，这下问题就清晰了，应该是可以把它转移到一个可执行代码段(比如自己的ShellCode)，以上只是个人的简单理解，手写的大致汇编流程，一定有很多错误，求指点!
【OpenCV（C++）】分水岭算法
姚巨龙的博客
01-29 3176
【OpenCV（C++）】分水岭算法分水岭算法概述实现分水岭算法：watershed()函数程序：分水岭算法 分水岭算法概述 在许多实际运用中，我们需要分割图像，但无法从背景图像中获得有用信息。分水岭算法（watershed algorithm）在这方面往往是非常有效的。此算法可以将图像中的边缘转化为“山脉”，将均匀区域转化为“山谷”，这样有助于分割目标。 该算法是一种基于拓扑理论的数学形态学的分......
opencv中6种减色算法
weixin_43146793的博客
09-18 1842
6种减色算法 方法1：使用整数除法 方法2：使用取模运算符方法 方法3：使用位运算符方法 方法4：使用整数除法非就地处理方法 方法5：使用整数除法和迭代器方法 方法6：使用整数除法，按一维数组处理 方法一：使用整数除法 void first(cv::Mat image, int div = 64) { // 如果图像每行末尾没有填充额外像素，则当作一维数组处理 if (image....
除去发票中的红色印章（C++，Open CV 4）
qq_54804745的博客
08-06 572
前提知识： 通道分离：split 全局二值化：threshold 步骤： 先使用 split 提取 RGB 通道中的 R 通道图像，然后在进行二值化操作； 注： 1、R 通道中像素值越大越白，故二值化操作中将大于某阈值的像素值设置为最大值； 2、二值化操作的 THRESH_BINARY： 印章图： 效果图（去印章图）： 代码： #include<opencv2/core/core.hpp> #include<opencv2/highgui/highgui.hpp> #inclu
Opencv分水岭算法——watershed自动图像分割用法
06-01
分水岭算法(watershed algorithm)是一种用于图像分割的算法，可以自动将图像分割成不同的区域。OpenCV提供了分水岭算法的实现，可以通过调用cv2.watershed()函数来进行图像分割。 使用分水岭算法进行图像分割的基本步骤如下： 1. 读取图像并将其转换为灰度图像。 2. 对灰度图像进行二值化处理，得到前景(foreground)和背景(background)。 3. 对图像进行距离变换，得到每个像素到最近的背景像素的距离。 4. 对距离变换的结果进行阈值处理，得到一张标记(markers)图像。 5. 对标记图像进行分水岭算法处理，得到分割结果。 下面是一个简单的示例代码，演示了如何使用分水岭算法对图像进行分割： ```python import cv2 import numpy as np # 读取图像并转换为灰度图像 img = cv2.imread('image.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 对灰度图像进行二值化处理 ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU) # 进行距离变换 dist_transform = cv2.distanceTransform(thresh, cv2.DIST_L2, 5) ret, markers = cv2.threshold(dist_transform, 0.7*dist_transform.max(), 255, 0) # 对标记图像进行分水岭算法处理 markers = cv2.watershed(img, markers) img[markers == -1] = [0,255,0] # 显示分割结果 cv2.imshow('Segmented Image', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在上面的代码中，我们首先读取一张名为"image.jpg"的图像，并将其转换为灰度图像。然后利用cv2.threshold()函数对灰度图像进行二值化处理，得到前景和背景。接下来，我们使用cv2.distanceTransform()函数进行距离变换，得到每个像素到最近的背景像素的距离。然后对距离变换的结果进行阈值处理，得到一张标记图像。最后，我们利用cv2.watershed()函数对标记图像进行分水岭算法处理，得到分割结果。
评论 1
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

打赏作者

AI炮灰

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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