Python版本是Python3.7.3，OpenCV版本OpenCV 3.4.1，开发环境为PyCharm
17.2 相关函数介绍
在OpenCV中，可以使用函数cv2.watershed()实现分水岭算法。在具体的实现过程中，还需要借助于形态学函数、距离变换函数cv2.distanceTransform()、cv2.connectedComponents()来完成图像分割。下面对分水岭算法中用到的函数进行简单的说明。
1．形态学函数回顾
在使用分水岭算法对图像进行分割前，需要对图像进行简单的形态学处理。先回顾一下形态学里的基本操作。
（1）开运算
开运算是先腐蚀、后膨胀的操作，开运算能够去除图像内的噪声。例如，在下图中，先对左图进行腐蚀操作，会得到中间的图像，再对中间的图像进行膨胀操作，会得到右侧的图像。对左图进行开运算（先腐蚀、后膨胀）后，我们得到了右图。通过观察可知，左图在经过开运算后变成右图以后，上面的毛刺（噪声信息）已经被去除了。
对图像进行开运算，能够去除图像内的噪声。在用分水岭算法处理图像前，要先使用开运算去除图像内的噪声，以避免噪声对图像分割可能造成的干扰。
（2）获取图像边界
通过形态学操作和减法运算能够获取图像的边界。例如，在下图中，左图是原始图像，中间的图是对其进行腐蚀而得到的图像，对二者进行减法运算，就会得到右侧的图像。通过观察可知，右图是左图的边界。
eg1：使用形态学变换，获取一幅图像的边界信息，并观察效果。
代码如下：
import cv2
import numpy as np
import matplotlib.pyplot as plt
o=cv2.imread("rice.png",cv2.IMREAD_UNCHANGED)
k=np.ones((5,5),np.uint8)
e=cv2.erode(o,k)
b=cv2.subtract(o,e)
plt.subplot(131)
plt.imshow(o)
plt.axis('off')
plt.subplot(132)
plt.imshow(e)
plt.axis('off')
plt.subplot(133)
plt.imshow(b)
plt.axis('off')
plt.show()
运行上述程序，得到结果如下图所示，其中左图是原始图像，中间的图是对其进行腐蚀而得到的图像，右图是原始图像减去腐蚀图像后得到的边界图像。可以看到，右图比较准确地显示出了左图内前景对象的边界信息。
通过以上分析可知，使用形态学操作和减法运算能够获取图像的边界信息。但是，形态学操作仅适用于比较简单的图像。如果图像内的前景对象存在连接的情况，使用形态学操作就无法准确获取各个子图像的边界了。
2．距离变换函数distanceTransform
当图像内的各个子图没有连接时，可以直接使用形态学的腐蚀操作确定前景对象，但是如果图像内的子图连接在一起时，就很难确定前景对象了。此时，借助于距离变换函数cv2.distanceTransform()可以方便地将前景对象提取出来。
距离变换函数cv2.distanceTransform()计算二值图像内任意点到最近背景点的距离。一般情况下，该函数计算的是图像内非零值像素点到最近的零值像素点的距离，即计算二值图像中所有像素点距离其最近的值为0的像素点的距离。当然，如果像素点本身的值为0，则这个距离也为0。
距离变换函数cv2.distanceTransform()的计算结果反映了各个像素与背景（值为0的像素点）的距离关系。通常情况下：
● 如果前景对象的中心（质心）距离值为0的像素点距离较远，会得到一个较大的值。
● 如果前景对象的边缘距离值为0的像素点较近，会得到一个较小的值。
如果对上述计算结果进行阈值化，就可以得到图像内子图的中心、骨架等信息。距离变换函数cv2.distanceTransform()可以用于计算对象的中心，还能细化轮廓、获取图像前景等，有多种功能。
距离变换函数cv2.distanceTransform()的语法格式为：
dst=cv2.distanceTransform(src, distanceType, maskSize[, dstType]])
式中：
● src是8位单通道的二值图像。
● distanceType为距离类型参数，其具体值和含义如下表所示。
● maskSize为掩模的尺寸，其可能的值如下表所示。需要注意，当distanceType=cv2.DIST_L1或cv2.DIST_C时，maskSize强制为3（因为设置为3和设置为5及更大值没有什么区别）。
● dstType为目标图像的类型，默认值为CV_32F。
● dst表示计算得到的目标图像，可以是8位或32位浮点数，尺寸和src相同。
eg2：使用距离变换函数cv2.distanceTransform()，计算一幅图像的确定前景，并观察效果。
代码如下：
import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('water_coins.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
ishow=img.copy()
ret, thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations = 2)
dist_transform = cv2.distanceTransform(opening,cv2.DIST_L2,5)
ret, fore = cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0)
plt.subplot(131)
plt.imshow(ishow)
plt.axis('off')
plt.subplot(132)
plt.imshow(dist_transform)
plt.axis('off')
plt.subplot(133)
plt.imshow(fore)
plt.axis('off')
plt.show()
运行上述程序，得到结果如下图所示。其中：
● 左图是原始图像。
● 中间的是距离变换函数cv2.distanceTransform()计算得到的距离图像。
● 右图是对距离图像进行阈值化处理后的结果图像。
从下图可以看到，右图比较准确地显示出左图内的“确定前景”。这里的确定前景，通常是指前景对象的中心。之所以认为这些点是确定前景，是因为它们距离背景点的距离足够远，都是距离大于足够大的固定阈值（0.7*dist_transform.max()）的点。
3．确定未知区域
使用形态学的膨胀操作能够将图像内的前景“膨胀放大”。当图像内的前景被放大后，背景就会被“压缩”，所以此时得到的背景信息一定小于实际背景的，不包含前景的“确定背景”。以下为了方便说明将确定背景称为B。
距离变换函数cv2.distanceTransform()能够获取图像的“中心”，得到“确定前景”。为了方便说明，将确定前景称为F。
图像中有了确定前景F和确定背景B，剩下区域的就是未知区域UN了。这部分区域正是分水岭算法要进一步明确的区域。
针对一幅图像O，通过以下关系能够得到未知区域UN：
未知区域UN=图像O-确定背景B-确定前景F
对上述表达式进行整理，可以得到：
未知区域UN=（图像O-确定背景B）- 确定前景F
上式中的“图像O-确定背景B”，可以通过对图像进行形态学的膨胀操作得到。
eg3：标注一幅图像的确定前景、确定背景及未知区域。
代码如下：
import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('water_coins.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
ishow=img.copy()
ret, thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations = 2)
bg = cv2.dilate(opening,kernel,iterations=3)
dist = cv2.distanceTransform(opening,cv2.DIST_L2,5)
ret, fore = cv2.threshold(dist,0.7*dist.max(),255,0)
fore = np.uint8(fore)
un = cv2.subtract(bg,fore)
plt.subplot(221)
plt.imshow(ishow)
plt.axis('off')
plt.subplot(222)
plt.imshow(bg)
plt.axis('off')
plt.subplot(223)
plt.imshow(fore)
plt.axis('off')
plt.subplot(224)
plt.imshow(un)
plt.axis('off')
plt.show()
运行上述程序，得到的结果如下图所示。其中：
● 左上角是原始图像ishow。
● 右上角是对图像ishow进行膨胀后得到的图像bg，其背景图像是确定背景，前景图像是“原始图像-确定背景”。
● 左下角是确定前景图像fore。
● 右下角图像中的小圆环就是未知区域图像un，是由图像bg和图像fore相减得到的。也就是说，未知区域图像un来源于“原始图像-确定背景-确定前景”。
值得注意的是，在图下右上角的图像bg中：
● 前景的一个个小圆是“原始图像-确定背景”部分，而不是“确定背景”。
● 其背景图像才是“确定背景”。
4．函数connectedComponents
明确了确定前景后，就可以对确定前景图像进行标注了。在OpenCV中，可以使用函数cv2.connectedComponents()进行标注。该函数会将背景标注为0，将其他的对象使用从1开始的正整数标注。
函数cv2.connectedComponents()的语法格式为：
retval, labels = cv2.connectedComponents( image )
式中：
● image为8位单通道的待标注图像。
● retval为返回的标注的数量。
● labels为标注的结果图像。
eg4：使用函数cv2.connectedComponents()标注一幅图像，并观察标注的效果。
代码如下：
import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('water_coins.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
ishow=img.copy()
ret, thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations = 2)
sure_bg = cv2.dilate(opening,kernel,iterations=3)
dist_transform = cv2.distanceTransform(opening,cv2.DIST_L2,5)
ret, fore = cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0)
fore = np.uint8(fore)
ret, markers = cv2.connectedComponents(fore)
plt.subplot(131)
plt.imshow(ishow)
plt.axis('off')
plt.subplot(132)
plt.imshow(fore)
plt.axis('off')
plt.subplot(133)
plt.imshow(markers)
plt.axis('off')
print(ret)
plt.show()
运行上述程序，得到的结果如下图所示。其中：
● 左图是原始图像ishow。
● 中间的是经过距离变换后得到的前
景图像的中心点图像fore。
● 右图是对前景图像的中心点图像进行标注后的结果图像markers。
可以看到，前景图像的中心点被做了不同的标注（用不同颜色区分，在纸质书中显示为不同的灰度）。
函数cv2.connectedComponents()在标注图像时，会将背景标注为0，将其他的对象用从1开始的正整数标注。具体的对应关系为：
● 数值0代表背景区域。
● 从数值1开始的值，代表不同的前景区域。
在分水岭算法中，标注值0代表未知区域。所以，我们要对函数cv2.connectedComponents()标注的结果进行调整：将标注的结果都加上数值1。经过上述处理后，在标注结果中：
● 数值1代表背景区域。
● 从数值2开始的值，代表不同的前景区域。
为了能够使用分水岭算法，还需要对原始图像内的未知区域进行标注，将已经计算出来的未知区域标注为0即可。
这里的关键代码为：
ret, markers = cv2.connectedComponents(fore)
markers = markers+1
markers[未知区域] = 0
eg5：使用函数cv2.connectedComponents()标注一幅图像，并对其进行修正，使未知区域被标注为0，并观察标注的效果。
代码如下：
import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('water_coins.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
ishow=img.copy()
ret, thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations = 2)
sure_bg = cv2.dilate(opening,kernel,iterations=3)
dist_transform = cv2.distanceTransform(opening,cv2.DIST_L2,5)
ret, fore = cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0)
fore = np.uint8(fore)
ret, markers1 = cv2.connectedComponents(fore)
foreAdv=fore.copy()
unknown = cv2.subtract(sure_bg,foreAdv)
ret, markers2 = cv2.connectedComponents(foreAdv)
markers2 = markers2+1
markers2[unknown==255] = 0
plt.subplot(121)
plt.imshow(markers1)
plt.axis('off')
plt.subplot(122)
plt.imshow(markers2)
plt.axis('off')
plt.show()
运行上述程序，得到的结果如下图所示。其中：
● 左图是对一幅图像使用函数cv2.connectedComponents()直接标注后的结果。
● 右图是修正后的标注结果。
对比左右图可以看出，右图在前景图像的边缘（未知区域）进行了标注，使得每一个确定前景都有一个黑色的边缘，这个边缘是被标注的未知区域。
5．函数cv2.watershed()
完成上述处理后，就可以使用分水岭算法对预处理结果图像进行分割了。在OpenCV中，实现分水岭算法的函数是cv2.watershed()，其语法格式为：
markers = cv2.watershed( image, markers )
式中：
● image是输入图像，必须是8位三通道的图像。在对图像使用cv2.watershed()函数处理之前，必须先用正数大致勾画出图像中的期望分割区域。每一个分割的区域会被标注为1、2、3等。对于尚未确定的区域，需要将它们标注为0。我们可以将标注区域理解为进行分水岭算法分割的“种子”区域。
● markers是32位单通道的标注结果，它应该和image具有相等大小。在markers中，每一个像素要么被设
置为初期的“种子值”，要么被设置为“-1”表示边界。markers可以省略。
扫一扫
217
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
