OpenCV和图像处理(五)

本文以下OpenCV都简写成"cv2"的形式,所有img都默认为一张图片
关联文章：
OpenCV和图像处理(一)

OpenCV和图像处理(二)

OpenCV和图像处理(三)

OpenCV和图像处理(四)

OpenCV和图像处理(六)

九、分水岭算法

分水岭算法是一种经典且实用的 切割算法 。分水岭算法中有一个核心思想：距离变换。

1、距离变换

距离变换是指把某点到某个特定区域，一般是二值化图的黑色部分，因为黑色=0，可以代表背景。然后我们定义某一个图像，或者某一个不为零的像素，其到背景0的最短距离的数值替换成像素值，那么整个图片中，越远离背景的地方就越"亮"，越靠近背景的地方就越"黑"。再配合一个阈值操作，就可以找到每一个需要切割的图像的中心点了，因为中心点肯定是最亮的。

但是如果要计算最短距离，就得算出所有距离然后取min，这样计算量十分庞大。科学家想出了用腐蚀的方法来计算距离：从图形边缘开始腐蚀，每腐蚀一次，被腐蚀的点的距离就是"+1"，直到把整个图形腐蚀掉，这样一遍操作，里面所有的点的距离都得到了。

我个人观点：距离变换的思想和上面图像直方图中直方图反向投影是类似的，反向投影是把该像素在整体像素分布中所占的"权重"代替原像素值；而距离变换是把该像素在黑色背景中的"海拔高度"来代替原像素值。用不同的角度去寻找图像的特征，这应该是我们可以学习的一种全新思路。

2、分水岭算法原理

分水岭算法，顾名思义，就是用"水"来分割"山岭"。这里的山就是距离变换后的二值化图，水就是用来切割并标记的工具。我简单说一下我的理解：首先背景是黑色的，高度为0，不同的边缘有不同的高度。然后开始灌水，一开始水都是在最底层，互相独立不连通，随着水高度越来越高，有些低洼的地方就被漫过，水就汇合了，每汇合一次，就在那个地方标一个"-1"，这样直到淹没整个图，所有的轮廓都被标注出来了。由于一开始背景黑色就是0，所以只要找出小于0的就是轮廓了。个人理解，不一定对，下面分享一个链接：OpenCV—分水岭算法，我觉得它讲的很好，里面有很多发散的知识点，值得细读！

下面的代码是用来分割一堆硬币的：

img = cv2.imread('coins.jpg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV | cv2.THRESH_OTSU)
'''
上面3步是得到二值化后的图片thresh
'''
# noise removal
kernel = np.ones((3, 3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
'''
上面2步是对二值化图片进行开操作,为了去除周边背景的噪点
'''
# sure background area
sure_bg = cv2.dilate(opening, kernel, iterations=3)  # 膨胀操作，突出背景

dist_transform = cv2.distanceTransform(opening, cv2.DIST_L1, cv2.DIST_MASK_5)
r'''
这一步叫距离变换，配合下面阈值操作，可以得到每个切割图像的大致中心点位置，
相当于进行了先验处理。
参数:
-----------------------------------------------------------------------
src=opening   :传入的二值图
distance_type :计算距离的公式,参看"轮廓"中=>3-4:凸包和凸性检测中cv2.fitLine()下的解释
mask_size     :尺寸。就是cv2.erode(img, kernel)中kernel的大小
     cv2.DIST_MASK_3 = 3
     cv2.DIST_MASK_5 = 5
     cv2.DIST_MASK_PRECISE = 0
-----------------------------------------------------------------------
'''
# 由于我也不是很清楚,下面代码我就不一一注释了,上面分水岭算法原理解析网页有很详细说明
ret, sure_fg = cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0)

# Finding unknown region
sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg, sure_fg)

# Marker labelling
ret, markers1 = cv2.connectedComponents(sure_fg)
# Add one to all labels so that sure background is not 0, but 1
markers = markers1 + 1
# Now, mark the region of unknown with zero
markers[unknown == 255] = 0
markers3 = cv2.watershed(img, markers) # 这就是分水岭算法
img[markers3 == -1] = [0, 0, 255]
cv2.imshow("img", img) # 展示结果
cv2.waitKey(0)

---