OpenCV 图像分割教程
OpenCV 是一个非常强大的计算机视觉库,支持各种图像处理任务。图像分割是 OpenCV 支持的一个重要功能,它用于将图像划分为不同的区域,识别感兴趣的部分。我们将通过介绍 OpenCV 中的图像分割方法,包括基础功能、进阶功能和高级功能,来帮助你理解和掌握图像分割的应用。
官方文档链接:
一、OpenCV 库概述
1.1 什么是 OpenCV?
OpenCV(Open Source Computer Vision Library)是一个开源的计算机视觉和机器学习软件库。它为实时图像处理任务提供了数百种高效的工具和算法,并广泛应用于领域如图像处理、视频分析、机器学习、增强现实等。
1.2 OpenCV 的架构
- 核心模块:提供基本的数据结构和工具。
- 图像处理模块:支持各种图像变换和滤波操作。
- 对象检测模块:支持基于深度学习的检测算法。
- 视频分析模块:支持运动检测、跟踪和背景分割。
- 机器学习模块:提供各种经典的机器学习算法。
二、基础功能:阈值分割
阈值分割是最简单的一种图像分割方法,它通过将图像的像素值与某个阈值进行比较,来区分前景和背景。该方法适用于图像的亮度差异明显的情况。
2.1 基础 API 介绍
cv2.threshold()
是 OpenCV 提供的主要阈值分割函数。其语法为:
retval, dst = cv2.threshold(src, thresh, maxval, type)
- src:输入图像(灰度图)。
- thresh:阈值。
- maxval:当像素值大于阈值时,分配给它的值。
- type:阈值类型(如二值化、反二值化等)。
2.2 代码示例
import cv2
import numpy as np
# 读取灰度图像
image = cv2.imread('example.jpg', 0)
# 应用全局阈值
ret, thresh1 = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)
# 显示原图和阈值分割后的图像
cv2.imshow('Original Image', image)
cv2.imshow('Thresholded Image', thresh1)
cv2.waitKey(0)
cv2.destroyAllWindows()
解释:
- 该代码将图像读取为灰度图,然后应用全局阈值分割,所有像素值大于127的部分被设置为255(白色),小于127的部分被设置为0(黑色)。
三、进阶功能:自适应阈值与 Otsu 分割
对于具有复杂光照条件的图像,全局阈值方法可能效果不好。自适应阈值和 Otsu 方法可以帮助处理更复杂的场景。
3.1 自适应阈值
自适应阈值根据图像的局部区域计算阈值,更适用于光照不均匀的图像。
cv2.adaptiveThreshold()
的语法为:
dst = cv2.adaptiveThreshold(src, maxValue, adaptiveMethod, thresholdType, blockSize, C)
- adaptiveMethod:使用的自适应阈值算法,常用
cv2.ADAPTIVE_THRESH_MEAN_C
或cv2.ADAPTIVE_THRESH_GAUSSIAN_C
。 - blockSize:计算局部阈值的邻域大小。
- C:从平均值或加权平均值中减去的常数。
3.2 Otsu 分割
Otsu 方法可以自动计算最优阈值,用于二值化。
ret2, th2 = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
3.3 代码示例
import cv2
# 读取灰度图像
image = cv2.imread('example.jpg', 0)
# Otsu 阈值分割
ret2, th2 = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
# 自适应阈值分割
th3 = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,
cv2.THRESH_BINARY, 11, 2)
# 显示分割结果
cv2.imshow('Otsu Threshold', th2)
cv2.imshow('Adaptive Threshold', th3)
cv2.waitKey(0)
cv2.destroyAllWindows()
解释:
- 使用 Otsu 方法自动计算最佳阈值,二值化图像。
- 自适应阈值则根据局部区域计算阈值,适合处理光照不均的图像。
四、高级功能:分水岭算法
分水岭算法是一种更复杂的图像分割方法,通常用于分割重叠物体。
4.1 分水岭算法的工作原理
分水岭算法将图像视为一个地形图,图像的亮度值表示高程,算法将找到各个低谷区域的边界进行分割。
4.2 使用分水岭算法的步骤:
- 预处理图像(如应用高斯模糊)。
- 使用阈值或其他方法生成二值图像。
- 通过距离变换生成标记图像。
- 应用分水岭算法进行分割。
4.3 代码示例
import cv2
import numpy as np
# 读取图像
image = cv2.imread('example.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
# 阈值化处理
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
# 去除噪声
kernel = np.ones((3,3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
# 确定背景
sure_bg = cv2.dilate(opening, kernel, iterations=3)
# 确定前景
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, sure_fg = cv2.threshold(dist_transform, 0.7*dist_transform.max(), 255, 0)
# 标记未确定区域
sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg, sure_fg)
# 标记
ret, markers = cv2.connectedComponents(sure_fg)
# 加 1 ,确保背景是 1 而不是 0
markers = markers + 1
# 标记未知区域为 0
markers[unknown == 255] = 0
# 应用分水岭算法
markers = cv2.watershed(image, markers)
image[markers == -1] = [255, 0, 0]
# 显示结果
cv2.imshow('Watershed Result', image)
cv2.waitKey(0)
cv2.destroyAllWindows()
解释:
- 通过形态学操作去除噪声,确定前景和背景。
- 使用距离变换识别前景区域。
- 分水岭算法处理图像,最终得到边界。
总结
我们介绍了 OpenCV 中的几种图像分割方法,从最基础的阈值分割,到进阶的自适应阈值和 Otsu 方法,再到高级的分水岭算法。根据不同的应用场景,选择合适的分割方法是关键。