Python+opencv学习记录23：分水岭算法

1.算法简介

分水岭算法(Watershed Algorithm)，是根据分水岭的构成来考虑图像的分割。现实中我们可以或者说可以想象有山有湖的景象，那么那一定是水绕山，山围水的情形。
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和丘陵，而低强度表示山谷。用不同颜色的水(标签)填充每个孤立的山谷(局部极小值)。当水上升时，根据附近的峰(梯度)，不同山谷不同的颜色的水，显然会开始融合。为了避免这种情况，你在水就要融合的地方及时增加屏障（增高水坝），你继续填满水，建造屏障，直到所有的山峰都被淹没。然后，您创建的屏障会给出分割结果。其动画演示过程如下：

2.分水岭图像分割

其步骤为：
1.先将图像进行降噪滤波；
2.将降噪后的图像转换为灰度图像；
3.将灰度图像转换为二值化图像；
4.进行形态学操作，进一步消除图像噪点；
5.使用距离变换获取确定的前景色；
6.获取我们想要的前景区域（寻找种子）；
7.获取masker标签；
8.进行分水岭变换。

2.1.获取灰度图像，二值化图像，进行降噪

其代码为：

# 去除噪声，使用边缘保留滤波EPF，均值迁移
    blur = cv.pyrMeanShiftFiltering(src, 10, 100)

    # 灰度图像和二值化图像的转化
    gray = cv.cvtColor(blur, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow("binary_image", binary)

原图为：

二值化后：

2.2.形态学操作进一步消除噪点

我们通过连续两次开操作来消除图像中的噪点，其代码为：

    # 形态学操作，进一步消除图像中的噪点
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))  # 获取结构元素
    mb = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel, iterations=2)  # 连续两次进行开操作，消除图像中的噪点

2.3.膨胀操作获得大部分背景区域

    sure_bg = cv.dilate(mb, kernel, iterations=3)  # 连续3次进行彭胀操作，可以获得大部分都是背景的区域
    cv.imshow("mor_opt", sure_bg)

得到的结果为：

2.4.距离变换获取确定的前景色

距离变换是计算一个图像中非零像素点到最近的零像素点的距离，也就是到零像素点的最短距离。
距离变换的处理图像通常都是二值图像，而二值图像其实就是把图像分为两部分，即背景和物体两部分，物体通常又称为前景目标。通常我们把前景目标的灰度值设为255（白色），背景的灰度值设为0（黑色），所以定义中的非零像素点为前景目标，零像素点为背景。图像中前景目标中的像素点距离背景越远，那么距离就越大，如果我们用这个距离值替换像素值，那么新生成的图像中这个点越亮。下图可以解释距离变换：

    # 距离变换
    dist = cv.distanceTransform(mb, cv.DIST_L2, 3)  # 获取距离数据结果
    dist_output = cv.normalize(dist, 0, 1.0, cv.NORM_MINMAX)  # 归一化到0-1
    cv.imshow("distance_t", dist_output * 50)

    ret, surface = cv.threshold(dist, dist.max() * 0.6, 255, cv.THRESH_BINARY)  # 获取前景色
    cv.imshow("surface_bin", surface)

结果为：

2.5.获取种子

    surface_fg = np.uint8(surface)  # 保持色彩空间一致才能进行运算，现在是背景空间为整型空间，前景为浮点型空间，所以进行转换
    unknown = cv.subtract(sure_bg, surface_fg)
    ret, markers = cv.connectedComponents(surface_fg)  # 得到连通区域
    cv.imshow("unknown", unknown)

得到的结果为：

2.6.分水岭变换

    # 分水岭变换
    markers = markers + 1
    markers[unknown == 255] = 0
    markers = cv.watershed(src, markers=markers)  # 获取栅栏
    src[markers == -1] = [0, 0, 255]             # 根据栅栏，我们对原图像进行操作，对栅栏区域设置为红色
    cv.imshow("result", src)

得到的最终结果为：

完整代码

import cv2 as cv  # 导入opencv模块
import numpy as np  # 导入数学函数库


def watershed_demo():
    print(src.shape)

    # 去除噪声，使用边缘保留滤波EPF，均值迁移
    blur = cv.pyrMeanShiftFiltering(src, 10, 100)

    # 灰度图像和二值化图像的转化
    gray = cv.cvtColor(blur, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow("binary_image", binary)

    # 形态学操作，进一步消除图像中的噪点
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))  # 获取结构元素
    mb = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel, iterations=2)  # 连续两次进行开操作，消除图像中的噪点
    sure_bg = cv.dilate(mb, kernel, iterations=3)  # 连续3次进行彭胀操作，可以获得大部分都是背景的区域
    cv.imshow("mor_opt", sure_bg)

    # 距离变换
    dist = cv.distanceTransform(mb, cv.DIST_L2, 3)  # 获取距离数据结果
    dist_output = cv.normalize(dist, 0, 1.0, cv.NORM_MINMAX)  # 归一化到0-1
    cv.imshow("distance_t", dist_output * 50)

    ret, surface = cv.threshold(dist, dist.max() * 0.6, 255, cv.THRESH_BINARY)  # 获取前景色
    cv.imshow("surface_bin", surface)

    surface_fg = np.uint8(surface)  # 保持色彩空间一致才能进行运算，现在是背景空间为整型空间，前景为浮点型空间，所以进行转换
    unknown = cv.subtract(sure_bg, surface_fg)
    ret, markers = cv.connectedComponents(surface_fg)  # 得到连通区域
    cv.imshow("unknown", unknown)
    print(ret)

    # 分水岭变换
    markers = markers + 1
    markers[unknown == 255] = 0
    markers = cv.watershed(src, markers=markers)  # 获取栅栏
    src[markers == -1] = [0, 0, 255]             # 根据栅栏，我们对原图像进行操作，对栅栏区域设置为红色
    cv.imshow("result", src)


print("------------hello python!------------")

src = cv.imread("D:/opencv3/image/coins.jpg")
cv.namedWindow("input_image", cv.WINDOW_AUTOSIZE)
cv.imshow("input_image", src)
watershed_demo()

cv.waitKey(0)
cv.destroyAllWindows()  # 释放所有窗口