【python】OpenCV—WaterShed Algorithm（2）

最新推荐文章于 2025-03-16 11:37:55 发布
最新推荐文章于 2025-03-16 11:37:55 发布
阅读量942 收藏 15
点赞数 17
分类专栏： Python 文章标签： python opencv 开发语言 分水岭 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/bryant_meng/article/details/143653025
版权

在这里插入图片描述

文章目录

1、功能描述

基于 opencv python，调用分水岭算法 demo

2、代码实现

导入必要的包

from skimage.feature import peak_local_max
from skimage.morphology import watershed
from scipy import ndimage
import numpy as np
import argparse
import imutils
import cv2

构造参数解析并解析参数

ap = argparse.ArgumentParser()
# ap.add_argument("-i", "--image", default="HFOUG.jpg", help="path to input image")
ap.add_argument("-i", "--image", default="1.jpg", help="path to input image")
args = vars(ap.parse_args())

加载图像并执行金字塔均值偏移滤波以辅助阈值化步骤，

将图像转换为灰度，然后应用 OTSU 阈值 二值化

image = cv2.imread(args["image"])
cv2.imshow("Input", image)

shifted = cv2.pyrMeanShiftFiltering(image, 21, 51)
cv2.imshow("Shifted", shifted)

# 将图像转换为灰度，然后应用大津阈值
gray = cv2.cvtColor(shifted, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
cv2.imshow("Thresh", thresh)

在这里插入图片描述

在这里插入图片描述

在这里插入图片描述

计算从每个二进制图像中的像素到最近的零像素的精确欧氏距离，然后找出这个距离图中的峰值

D = ndimage.distance_transform_edt(thresh)

# 可视化距离函数
D_show = cv2.normalize(D, None, 0, 1, cv2.NORM_MINMAX)
# print(np.max(D_show))
cv2.imshow("D_show", D_show)

在这里插入图片描述

以坐标列表(indices=True)或布尔掩码(indices=False)的形式查找图像中的峰值。峰值是 2 * min_distance + 1 区域内的局部最大值。

即峰值之间至少相隔min_distance)。

此处我们将确保峰值之间至少有20像素的距离。

localMax = peak_local_max(D, indices=False, min_distance=20, labels=thresh)
# 可视化localMax
temp = localMax.astype(np.uint8)
cv2.imshow("localMax", temp * 255)

在这里插入图片描述

使用8-连通性对局部峰值进行连接成分分析，然后应用分水岭算法

scipy.ndimage.label(input, structure=None, output=None)

  • input ：待标记的数组对象。输入中的任何非零值都被视为待标记对象，零值被视为背景。

  • structure：定义要素连接的结构化元素。对于二维数组。默认是四连通， 此处选择8连通

markers = ndimage.label(localMax, structure=np.ones((3, 3)))[0]  # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 可视化markers
temp_markers = markers.astype(np.uint8)
cv2.imshow("temp_markers", temp_markers * 20)

在这里插入图片描述
由于分水岭算法假设我们的标记代表距离图中的局部最小值（即山谷），因此我们取 D 的负值。

labels = watershed(-D, markers, mask=thresh)
print("[INFO] {} unique segments found".format(len(np.unique(labels)) - 1))

output

[INFO] 10 unique segments found

循环遍历分水岭算法返回的标签

for label in np.unique(labels):
    # 0表示背景，忽略它
    if label == 0:
        continue
    # 否则，为标签区域分配内存并将其绘制在掩码上
    mask = np.zeros(gray.shape, dtype="uint8")
    mask[labels == label] = 255
    # 在mask中检测轮廓并抓取最大的一个
    cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,
                            cv2.CHAIN_APPROX_SIMPLE)
    cnts = imutils.grab_contours(cnts)
    c = max(cnts, key=cv2.contourArea)
    # 在物体周围画一个圆
    ((x, y), r) = cv2.minEnclosingCircle(c)
    cv2.circle(image, (int(x), int(y)), int(r), (0, 255, 0), 2)
    cv2.putText(image, "#{}".format(label), (int(x) - 10, int(y)),
                cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2)
# 显示输出图像
cv2.imshow("Output", image)
cv2.waitKey(0)

在这里插入图片描述

十个标记，发现三不见了，debug 分析，3 和 2 重复了，改下代码跳过 2 即可显示 3

for label in np.unique(labels):
    if label == 2:
        continue

在这里插入图片描述

3、效果展示

输入图片

在这里插入图片描述

输出结果

在这里插入图片描述

输入图片

在这里插入图片描述

白色背景，二值化的时候注意下前景背景要反过来，或者

thresh = cv2.bitwise_not(thresh)

在这里插入图片描述

在这里插入图片描述

输入图片

在这里插入图片描述

在这里插入图片描述

输入图片

在这里插入图片描述

在这里插入图片描述

输入图片

在这里插入图片描述

在这里插入图片描述

输入图片

在这里插入图片描述
在这里插入图片描述

可以观察到边界还是没有那么完美的

4、完整代码

# 打开一个新文件，将其命名为 watershed.py ，然后插入以下代码：

# 导入必要的包
from skimage.feature import peak_local_max
from skimage.morphology import watershed
from scipy import ndimage
import numpy as np
import argparse
import imutils
import cv2

# 构造参数解析并解析参数
ap = argparse.ArgumentParser()
# ap.add_argument("-i", "--image", default="HFOUG.jpg", help="path to input image")
ap.add_argument("-i", "--image", default="3.jpg", help="path to input image")
args = vars(ap.parse_args())

# 加载图像并执行金字塔均值偏移滤波以辅助阈值化步骤
image = cv2.imread(args["image"])
cv2.imshow("Input", image)

shifted = cv2.pyrMeanShiftFiltering(image, 21, 51)
cv2.imshow("Shifted", shifted)

# 将图像转换为灰度，然后应用大津阈值
gray = cv2.cvtColor(shifted, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# thresh = cv2.bitwise_not(thresh)  # 白色背景时可以开启

cv2.imshow("Thresh", thresh)

# 计算从每个二进制图像中的像素到最近的零像素的精确欧氏距离，然后找出这个距离图中的峰值
D = ndimage.distance_transform_edt(thresh)

# 可视化距离函数
D_show = cv2.normalize(D, None, 0, 1, cv2.NORM_MINMAX)
# print(np.max(D_show))
cv2.imshow("D_show", D_show)


# 以坐标列表(indices=True)或布尔掩码(indices=False)的形式查找图像中的峰值。峰值是2 * min_distance + 1区域内的局部最大值。
# (即峰值之间至少相隔min_distance)。此处我们将确保峰值之间至少有20像素的距离。
localMax = peak_local_max(D, indices=False, min_distance=20, labels=thresh)
# 可视化localMax
temp = localMax.astype(np.uint8)
cv2.imshow("localMax", temp * 255)
# 使用8-连通性对局部峰值进行连接成分分析，然后应用分水岭算法
# scipy.ndimage.label(input, structure=None, output=None)
# input ：待标记的数组对象。输入中的任何非零值都被视为待标记对象，零值被视为背景。
# structure：定义要素连接的结构化元素。对于二维数组。默认是四连通， 此处选择8连通
#
markers = ndimage.label(localMax, structure=np.ones((3, 3)))[0]  # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 可视化markers
temp_markers = markers.astype(np.uint8)
cv2.imshow("temp_markers", temp_markers * 20)

# 由于分水岭算法假设我们的标记代表距离图中的局部最小值（即山谷），因此我们取 D 的负值。
labels = watershed(-D, markers, mask=thresh)
print("[INFO] {} unique segments found".format(len(np.unique(labels)) - 1))

# 循环遍历分水岭算法返回的标签
for label in np.unique(labels):
    # 0表示背景，忽略它
    if label == 0:
        continue
    # 否则，为标签区域分配内存并将其绘制在掩码上
    mask = np.zeros(gray.shape, dtype="uint8")
    mask[labels == label] = 255
    # 在mask中检测轮廓并抓取最大的一个
    cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,
                            cv2.CHAIN_APPROX_SIMPLE)
    cnts = imutils.grab_contours(cnts)
    c = max(cnts, key=cv2.contourArea)
    # 在物体周围画一个圆
    ((x, y), r) = cv2.minEnclosingCircle(c)
    cv2.circle(image, (int(x), int(y)), int(r), (0, 255, 0), 2)
    cv2.putText(image, "#{}".format(label), (int(x) - 10, int(y)),
                cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2)
# 显示输出图像
cv2.imshow("Output", image)
cv2.imwrite(f"result_{args['image']}", image)
cv2.waitKey(0)

绘制轮廓而不是圆形的画，改下最后绘制的代码即可

# 打开一个新文件，将其命名为 watershed.py ，然后插入以下代码：

# 导入必要的包
from skimage.feature import peak_local_max
from skimage.morphology import watershed
from scipy import ndimage
import numpy as np
import argparse
import imutils
import cv2
import random as rng

# 构造参数解析并解析参数
ap = argparse.ArgumentParser()
# ap.add_argument("-i", "--image", default="HFOUG.jpg", help="path to input image")
ap.add_argument("-i", "--image", default="1.jpg", help="path to input image")
args = vars(ap.parse_args())

# 加载图像并执行金字塔均值偏移滤波以辅助阈值化步骤
image = cv2.imread(args["image"])
cv2.imshow("Input", image)

shifted = cv2.pyrMeanShiftFiltering(image, 21, 51)
cv2.imshow("Shifted", shifted)

# 将图像转换为灰度，然后应用大津阈值
gray = cv2.cvtColor(shifted, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
# thresh = cv2.bitwise_not(thresh)  # 白色背景时可以开启

cv2.imshow("Thresh", thresh)

# 计算从每个二进制图像中的像素到最近的零像素的精确欧氏距离，然后找出这个距离图中的峰值
D = ndimage.distance_transform_edt(thresh)

# 可视化距离函数
D_show = cv2.normalize(D, None, 0, 1, cv2.NORM_MINMAX)
# print(np.max(D_show))
cv2.imshow("D_show", D_show)


# 以坐标列表(indices=True)或布尔掩码(indices=False)的形式查找图像中的峰值。峰值是2 * min_distance + 1区域内的局部最大值。
# (即峰值之间至少相隔min_distance)。此处我们将确保峰值之间至少有20像素的距离。
localMax = peak_local_max(D, indices=False, min_distance=20, labels=thresh)
# 可视化localMax
temp = localMax.astype(np.uint8)
cv2.imshow("localMax", temp * 255)
# 使用8-连通性对局部峰值进行连接成分分析，然后应用分水岭算法
# scipy.ndimage.label(input, structure=None, output=None)
# input ：待标记的数组对象。输入中的任何非零值都被视为待标记对象，零值被视为背景。
# structure：定义要素连接的结构化元素。对于二维数组。默认是四连通， 此处选择8连通
#
markers = ndimage.label(localMax, structure=np.ones((3, 3)))[0]  # [0, 1, 2, 3, 4, 5, 6, 7, 8, 9]

# 可视化markers
temp_markers = markers.astype(np.uint8)
cv2.imshow("temp_markers", temp_markers * 20)

# 由于分水岭算法假设我们的标记代表距离图中的局部最小值（即山谷），因此我们取 D 的负值。
labels = watershed(-D, markers, mask=thresh)
print("[INFO] {} unique segments found".format(len(np.unique(labels)) - 1))

# 循环遍历分水岭算法返回的标签
for label in np.unique(labels):
    # 0表示背景，忽略它
    if label == 0:
        continue
    # 否则，为标签区域分配内存并将其绘制在掩码上
    mask = np.zeros(gray.shape, dtype="uint8")
    mask[labels == label] = 255
    # 在mask中检测轮廓并抓取最大的一个
    cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,
                            cv2.CHAIN_APPROX_SIMPLE)
    cnts = imutils.grab_contours(cnts)

    color = (rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256))
    cv2.drawContours(image, cnts, -1, color, 3)  # 轮廓标记从1开始

# 显示输出图像
cv2.imshow("Output", image)
cv2.imwrite(f"result_{args['image']}", image)
cv2.waitKey(0)

在这里插入图片描述

5、参考

OpenCV的图像分割分水岭算法(watershed algorithm)示例
zhangzhechun的专栏
03-21 669
该算法可以用于很多应用，如医学图像分析、纹理分割、物体检测等。在医学图像分析中，分水岭算法可用于分割MRI或CT图像中的不同结构，如肿瘤、器官等。在纹理分割中，该算法可以用于将图像分割成纹理块，从而识别材质。在物体检测中，该算法可以用于分割图像中的物体，从而实现目标检测。该算法基于图像中的灰度级和边缘来构建一组标记，将图像分割成不同的区域或物体。分水岭算法是一种有用的图像分割算法，但是它通常需要手动指定一些标记，从而使算法能够更好地工作。
python如何用OPencv进行斑点检测(Blobs)
zhangzhechun的专栏
05-23 663
这段代码的主要作用是使用OpenCV库中的来检测图像中的斑点（blobs）。blob.jpg通过这些步骤，程序能够识别和可视化图像中的斑点，通常用于图像处理和计算机视觉中的特征检测任务。例如，可以用于检测图像中的细胞、气泡、圆形物体等。fill:#333;color:#333;color:#333;fill:none;OpenCV 2.xOpenCV 3.x及以上开始导入OpenCV和NumPy库读取图像并转换为灰度图像设置SimpleBlobDetector参数选择OpenCV版本。
OpenCV库中watershed函数（分水岭算法）的详细使用例程
热门推荐
SugarAnnie的博客
11-08 1万+
声明：如果有写的不对的地方欢迎指正！ 一、分水岭算法 关于分水岭算法的具体原理我就不说了，网上搜一下很多。OpenCV中的watershed函数实现的分水岭算法是基于“标记”的分割算法，用于解决传统的分水岭算法过度分割的问题。试想，一副图片中肯定有N多个“山谷”，它们中的很多是我们不想要的。 对于标记的原则，我总结是：你认为它们属于一个区域，就用标记将它们连接起来，对于另一个区域，再用另一个
OpenCV图像分割－watershed
diyizhi7673的博客
11-04 231
转自：Tiger & Pi http://blog.163.com/my_645/blog/static/369785222013310619742/ Watershed就是传说中的分水岭算法， 它将一幅图像看成是一块有湖泊和山川组成的地形。 图像灰度值大的像素对应海拔高的山地， 灰度值低的像素对应于海拔低的盆地。Watershed分割是模拟湖水上涨并在湖泊相遇处筑坝...
HiWonder(WonderMV的K210)速通教程
最新发布
weixin_54542639的博客
03-16 1165
当我们在淘宝上下单K210时，发现第一个总会是幻尔科技的WonderMV，你信心满满的打开B站，发现教程不完全对应。当打开官方给的教程时，总会是一脸懵的状态，啥也没给，就是程序，然后那个API文档好像说了有没完全说。笔者在接触这块板子的时候也是同样的境遇，花了好几天的时间去找资料，给大家最详细，最简单的，适合着急使用视觉模块可是没用明白的同学们。这个文章大多是做一个资料整合，把该掌握的资料写到了一起，便于大家系统理解。
python图像分割算法_OpenCV-Python 图像分割与Watershed算法｜三十四
weixin_39643189的博客
11-21 419
目标在本章中，我们将学习使用分水岭算法实现基于标记的图像分割我们将看到：cv.watershed()理论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...
【python】OpenCV—WaterShed Algorithm
bryant_meng
10-24 1813
分水岭的概念和形成可以通过模拟浸入过程来说明：在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。是 OpenCV 中用于图像平滑处理的一个函数，它基于均值漂移（Mean Shift）算法，并通过图像金字塔的方式来实现。分水岭分割算法的基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。
OpenCV Demo watershed
Note of Transposition
06-02 2376
源码： #include "opencv2/imgproc/imgproc.hpp" #include "opencv2/highgui/highgui.hpp" #include #include using namespace cv; using namespace std; static void help() { cout << "\nThis program demo
opencv python照片去背景_使用opencv Python删除图像的背景
weixin_35944650的博客
01-28 1172
我使用OpenCV的watershed算法解决了你的问题.您可以找到分水岭here的理论和实例.首先,我选择了几个点(标记)来指示我想要保留的对象在哪里,以及背景在哪里.此步骤是手动的,并且可能因图像而异.此外,它需要一些重复,直到您得到所需的结果.我建议使用工具来获取像素坐标.然后我创建了一个零的空整数数组,其中包含汽车图像的大小.然后我将一些值(1：背景,[255,192,128,64]：ca...
opencv python照片去背景_使用opencv Python移除图像的背景
weixin_36376992的博客
12-24 1395
我用OpenCV的watershed算法解决了你的问题。你可以找到分水岭的理论和例子。首先，我选择了几个点(标记)来指定我要保留的对象的位置，以及背景的位置。这个步骤是手动的，并且可以在不同的图像之间变化很大。而且，它需要一些重复，直到你得到想要的结果。我建议使用一个工具来获取像素坐标。然后我创建了一个由零组成的空整数数组，其中包含汽车图像的大小。然后我给标记位置的像素分配了一些值(1:背景，[2...
opencv-python 4.2 函数手册
qq_47232518的博客
01-09 4130
opencv-python 4.2 函数手册欢迎使用Markdown编辑器 欢迎使用Markdown编辑器 cv2.absdiff() cv2.accumulate() cv2.accumulateProduct() cv2.accumulateSquare() cv2.accumulateWeighted() cv2.adaptiveThreshold() # 图像自适应局部二值化 cv2.add() # 两个图像相加 cv2.addText() # 添加文字 cv2.addWeighted()
python opencv之分水岭算法示例
12-25
本文介绍了python opencv之分水岭算法示例，分享给大家，具体如下： 目标 使用分水岭算法对基于标记的图像进行分割 使用函数cv2.watershed() 原理： 灰度图像可以被看成拓扑平面,灰度值高的区域可以看出山峰，灰度值低的区域可以看成是山谷。向每一个山谷当中灌不同颜色的水。水位升高，不同山谷的水会汇合，为防止不同山谷的水汇合，小在汇合处建立起堤坝。然后继续灌水，然后再建立堤坝，直到山峰都掩模。构建好的堤坝就是图像的分割。 此方法通常会得到过渡分割的结果，因为图像中的噪声以及其他因素。为了减少此影响，opencv使用基于标记的分水岭算法，此算法要设置哪些山谷中的汇合点
图像分割与Watershed算法（opencv_python学习）
m0_63843473的博客
07-07 496
用一种颜色(或强度)标记我们确定为前景或对象的区域，用另一种颜色标记我们确定为背景或非对象的区域，最后用 0 标记我们不确定的区域。函数的返回值 ret 表示总共有多少个连通区域，而 markers 是一个与原始图像大小相同的数组，记录了每个像素所属的连通区域的标签值。应用分水岭算法：通过将标记的图像作为输入，应用分水岭算法来进行最终的图像分割。确定种子点：根据预处理后的图像或特定的标记方式，确定种子点。然后，将 markers 数组中的所有元素加1，目的是将背景区域的标签设为0，前景区域从1开始标签。
使用OpenCV和C++实现的分水岭算法(Watershed)
pamxy啲Coding窝...
05-29 3544
转自：http://blog.csdn.net/twowind/article/details/8988282 分水岭算法(watershed)是一种比较基本的数学形态学分割算法，其基本思想是将灰度图像转换为梯度图像，将梯度值看作高低起伏的山岭，将局部极小值及其邻域看作一个“集水盆”。设想一个个“集水盆”中存在积水，且水位不断生长，淹没低度较低的地方，当水漫过程停止后，图像就可以被分割成几块连通
OpenCV 学习笔记（Watershed）
Ivan 的专栏
08-04 3507
OpenCV 学习笔记（Watershed） Watershed，中文一般翻译为分水岭算法。分水岭算法是一种图像区域分割算法，它把位置接近，灰度值也接近的像素点连接起来形成一个封闭的区域。关于分水岭算法的具体原理可以参考下面的网址： wiki 百科 Watershed 这里只介绍在 OpenCV中的如何使用 Watershed 算法。Opencv 中 watershed函数原型如下： void watershed( InputArray image, InputOutputArray markers );
OpenCV学习(二十) ：分水岭算法:watershed()
Leon_Chen的博客
09-17 3064
OpenCV学习(二十) ：分水岭算法:watershed() 参考博客： 图像处理——分水岭算法 OpenCV学习(7) 分水岭算法(1) Opencv分水岭算法——watershed自动图像分割用法 -牧野- OpenCV—分水岭算法 分水岭算法是一种图像区域分割法，在分割的过程中，它会把跟临近像素间的相似性作为重要的参考依据，从而将在空间位置上相近并且灰度值相近（求梯度）的像素点互相连接起...
OpenCV4-图像分割-watershed(分水岭算法)
羊羊羊
07-21 1374
分水岭watershed的实战应用
OpenCV4.5.5学习笔记（十七）：分水岭算法watershed()，图像修补inpaint()
qq_43264167的博客
05-03 865
提示：文章写完后，目录可以自动生成，如何生成可参考右边的帮助文档 文章目录前言一、分水岭算法watershed()二、图像修补inpaint()总结 前言 笔者本科时候有幸接触了OpenCV3.2.0版本的学习，后因考研压力不得不暂时停下学习的脚步，现在考研任务结束了，未来的导师也是从事的该方向，笔者又开始了新一轮的学习。回来发现OpenCV已经出到了4.5.5版本，遂重新下载新版本并决定记录这一学习历程。由于笔者水平有限，可能有错误之处还请诸位大佬多多包涵并烦请指出，让我们一起学习，共同进步。 首先.
openCV中watershed的使用
blue_xinran的博客
04-19 656
官网的语句说明 https://docs.opencv.org/3.4/d7/d1b/group__imgproc__misc.html#ga3267243e4d3f95165d55a618c65ac6e1 官网的例子 https://docs.opencv.org/3.4/d4/d40/samples_2cpp_2watershed_8cpp-example.html#a36 void cv::watershed ( InputArray image, InputOutputArray markers
Opencv分水岭算法——watershed自动图像分割用法
06-13
Opencv中的分水岭算法（watershed algorithm）是一种自动图像分割算法，常用于分离图像中的前景和背景。下面是使用Opencv中的分水岭算法进行图像分割的步骤： 1. 读入图像并进行预处理，如去噪、灰度化等。 2. 对图像进行二值化处理，得到前景和背景的二值图像。 3. 对二值图像进行距离变换（distance transform），得到每个像素离最近的背景像素的距离。 4. 对距离变换后的图像进行阈值处理，得到图像的分水岭标记（watershed markers）。 5. 对分水岭标记进行修正，确保标记不会重叠或出现空洞。 6. 对分水岭标记应用分水岭算法，得到分割后的图像。 下面是使用Opencv实现分水岭算法的示例代码： ```python import cv2 import numpy as np # 读取图像并进行预处理 img = cv2.imread('input.jpg') gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY) 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, sure_fg = cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0) # 获取分水岭标记 sure_fg = np.uint8(sure_fg) unknown = cv2.subtract(thresh,sure_fg) ret, markers = cv2.connectedComponents(sure_fg) markers = markers+1 markers[unknown==255] = 0 # 修正分水岭标记 markers = cv2.watershed(img,markers) img[markers == -1] = [255,0,0] # 显示分割结果 cv2.imshow('result', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 这段代码中，我们首先读入一张图像并进行预处理，然后进行距离变换，得到每个像素到最近的背景像素的距离。接着使用阈值处理得到分水岭标记，修正分水岭标记并应用分水岭算法，最后显示分割结果。
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