【OpenCv 4 Python 3.7】分水岭算法

分水岭算法

使用分水岭算法进行图像分割
步骤：
  （一）获取灰度图像，二值化图像，进行形态学操作，消除噪点
  （二）在距离变换前加上一步操作：通过对上面形态学去噪点后的图像，进行膨胀操作，可以得到大部分都是背景的区域（原黑色不是我们需要的部分是背景）
  （三）使用距离变换distanceTransform获取确定的前景色
相关知识补充（重点）
  （四）在获取了背景区域和前景区域（其实前景区域是我们的种子，我们将从这里进行灌水，向四周涨水，但是这个需要在markers中表示）后，这两个区域中有未重合部分（注1）怎么办？首先确定这些区域（寻找种子）
   开始获取未知区域unknown（栅栏会创建在这一区域），为下一步获取种子做准备
   （五）获取了这些区域，我们可以获取种子，这是通过connectedComponents实现,获取masker标签，确定的前景区域会在其中显示为以1开始的数据，这就是我们的种子，会从这里开始漫水
  重点：
  （六）根据未知区域unknown在markers中设置栅栏，并将背景区域加入种子区域，一起漫水
  （七）根据种子开始漫水，让水漫起来找到最后的漫出点（栅栏边界），越过这个点后各个山谷中水开始合并。注意watershed会将找到的栅栏在markers中设置为-1
  
距离变换
distanceTransform ：参数
src：输入的图像，一般为二值图像
distanceType：所用的求解距离的类型，有CV_DIST_L1, CV_DIST_L2 , or CV_DIST_C
mask_size：距离变换掩模的大小，可以是 3 或 5. 对 CV_DIST_L1 或 CV_DIST_C 的情况，参数值被强制设定为 3, 因为 3×3 mask 给出 5×5 mask 一样的结果，而且速度还更快。

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，即白色
背景的灰度值设为0，即黑色。
所以定义中的非零像素点即为前景目标，零像素点即为背景。
所以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。

代码实现：

import cv2 as cv
import numpy as np

#分水岭算法
def watershed_demo():
    # remove noise if any
    print(src.shape)
    #边缘保留滤波
    blurred = cv.pyrMeanShiftFiltering(src, 10, 100)
    # gray\binary image
    gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow("binary-image", binary)

    # morphology operation：形态学操作
    # 结构元素
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
    #开操作    #iterations连续两次开操作
    mb = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel, iterations=2)
    #iterations=3 ：3次膨胀,可以获取到大部分都是背景的区域
    sure_bg = cv.dilate(mb, kernel, iterations=3)
    cv.imshow("mor-opt", sure_bg)

    # distance transform ：距离变换   cv.DIST_L1:棋盘格局里 DIST_L2：欧几里距离   3：掩模移动距离
    dist = cv.distanceTransform(mb, cv.DIST_L2, 3)#获取距离数据结果
    #normalize：归一化  因为distanceTransform返回的图像数据是浮点数值，要想在浮点数表示的颜色空间中，数值范围必须是0-1.0，所以要将其中的数值进行归一化处理
    #（重点）在整数表示的颜色空间中，数值范围是0-255，但在浮点数表示的颜色空间中，数值范围是0-1.0，所以要把0-255归一化。
    dist_output = cv.normalize(dist, 0, 1.0, cv.NORM_MINMAX)
    cv.imshow("distance-t", dist_output*50)
    #再通过设定合理的阈值对距离变换后的图像进行二值化处理，则可得到图像的几何中心
    # 获取前景色
    ret, surface = cv.threshold(dist, dist.max()*0.6, 255, cv.THRESH_BINARY)
    ##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
    surface_fg = np.uint8(surface)
    cv.imshow("surface-bin", surface_fg)
    unknown = cv.subtract(sure_bg, surface_fg)
    #连通区域
    #ret是连通域处理的边缘条数，是上面提到的确定区域（出去背景外的其他确定区域：就是前景），就是种子数，我们会从种子开始向外涨水
    #markers是我们创建的一个标签（一个与原图像大小相同，数据类型为 in32 的数组），其中包含有我们原图像的确认区域的数据（前景区域）
    ret, markers = cv.connectedComponents(surface_fg)

    # watershed transform ：分水岭变换
    """现在知道了那些是背景那些是硬币（确定的前景区域）了。
       那我们就可以创建标签（一个与原图像大小相同，数据类型为 in32 的数组），并标记其中的区域了。
       对我们已经确定分类的区域（无论是前景还是背景）使用不同的正整数标记，对我们不确定的区域（unknown区域）使用 0 标记。
        我们可以使用函数 cv2.connectedComponents()来做这件事。
        它会把对标签进行操作，将背景标记为 0，其他的对象使用从 1 开始的正整数标记（其实这就是我们的种子，水漫时会从这里漫出）。然后将这个标签返回给我们markers
        但是，我们知道如果背景标记为 0，那分水岭算法就会把它当成未知区域了。（我们要将未知区域标记为0，所以我们要将背景区域变为其他整数，例如+1）
        所以我们想使用不同的整数标记它们。
        而对不确定的区域（函数cv2.connectedComponents 输出的结果中使用 unknown 定义未知区域）标记为 0。"""
    markers = markers + 1
    markers[unknown==255] = 0
    markers = cv.watershed(src, markers=markers)
    src[markers==-1] = [0, 0, 255]
    cv.imshow("result", src)



print("--------- Python OpenCV Tutorial ---------")
src = cv.imread("E:/ji_qi_xue_xi/opencv_kejian/opencv_python_image/coins.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
watershed_demo()
cv.waitKey(0)

cv.destroyAllWindows()

结果：