OpenCV图像分割教程

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：

OpenCV 官方文档

---

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：

1. 预处理图像（如应用高斯模糊）。
2. 使用阈值或其他方法生成二值图像。
3. 通过距离变换生成标记图像。
4. 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。