Python+Opencv图像处理--基于OTSU+凸包检测的粘连大米分割

---

前言

转载请注明本文出处。

最近一段时间一直在看粘连分割，网上也有很多demo，找了一个大米的图像做测试。以下是本篇文章正文内容，下面案例可供参考。

1.分割流程图

分割总流程图如下图所示：

2.图像预处理

图像预处理包括图像二值化+形态学运算。

2.1 改进二值化算法

此处二值化思想参考本博客上一篇文章《OTSU改进算法-python》，
输入原图：
输入图像水印已经去除，方便大家测试。

二值化对比：

1.直接采用二值化算法进行二值化，

_, mask = cv.threshold(image_gray, 115, 255, cv.THRESH_BINARY) 

直接采用二值化效果图：

2.采用adaptive_otsu思想进行二值化，效果如下图所示：

可以看出二值化效果有了非常大的提升，为后续分割处理打下了基础。

2.2 形态学运算

此处采用3x3的核对图像开运算

kernel = np.ones((3, 3), np.uint8)
image_bin = cv.morphologyEx(mask, cv.MORPH_OPEN, kernel)

3.提取轮廓

根据以上二值化的图像提取轮廓，如下图所示。

_, contours, hierarchy = cv.findContours(image_bin, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)

根据以上轮廓，看出有多个大米粘连的情况，下面采用凸包检测。

4.凸包检测

凸包检测为了找到图中粘连的大米，从图中可以看出共有三处大米粘连，下图黄色框部分：

求取凸包数量：

for i in range(len(contours)):
    cnt = contours[i]
    hull = cv.convexHull(cnt, returnPoints=False)

此处给定阈值T1（阈值根据自己实际情况设定），判断凸包数量是否进入下一步，检测缺陷点。

if len(hull) > T1:
	defects = cv.convexityDefects(cnt, hull)

如果defects数量>1符合条件将缺陷点连线，如下图所示：

cv.line(mask, defects_point[0], defects_point[1],0)  

5.标记大米

消除粘连后画出所有轮廓外接矩，及中心点，最终结果如下图所示：

cv.rectangle(image, (x, y), (x + w, y + h), (0, 255, 0))  # 绘制外接矩
cv.circle(image, (cx, cy), 1, (0, 0, 255), -1)  # 用圆点绘制目标重心