基于OpenCv的图像分割(分水岭算法)

图像分割

图像分割对于图像处理和计算机视觉领域非常重要，可以用于对象识别、图像分析、图像压缩等应用。
注意：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。

distanceTransform()

cv.distanceTransform()是OpenCV中的一个函数，用于计算二值图像中每个像素与离它最近的零像素之间的距离。dst = cv.distanceTransform(src, distanceType, maskSize)

其中，参数src是输入的二值图像，distanceType是距离类型，maskSize是距离计算模板的大小，dst是输出的距离变换图像。 distanceType参数指定了距离计算的类型，包括以下几种取值：

• cv.DIST_L1: L1距离，也称曼哈顿距离。
• cv.DIST_L2: L2距离，也称欧几里得距离。
• cv.DIST_C: C距离，也称棋盘距离。
• cv.DIST_L12: L1-L2混合距离，即先使用L1距离，再使用L2距离。
• cv.DIST_FAIR: Fair距离。
• cv.DIST_WELSCH: Welsch距离。
• cv.DIST_HUBER: Huber距离。 maskSize参数指定了距离计算模板的大小，可以取3、5或者cv.CV_DIST_MASK_PRECISE。当maskSize为3或者5时，距离计算模板为3x3或5x5的矩形；当maskSize为cv.CV_DIST_MASK_PRECISE时，距离计算模板为精确的距离变换模板。

connectedComponents()

cv.connectedComponents()是OpenCV中的一个函数，用于对二值图像进行连通组件标记。该函数会将具有相同像素值的像素标记为同一个连通组件，并给每个连通组件分配一个唯一的标记。
num_labels, labels = cv.connectedComponents(image[, connectivity[, ltype]])

其中，参数image是输入的二值图像，connectivity是连通性，ltype是输出标签图像的数据类型，num_labels是标签的数量，labels是输出的标签图像。 connectivity参数指定了像素之间的连通规则，可以取4或8。当connectivity为4时，只考虑上下左右四个方向的像素；当connectivity为8时，还考虑对角线方向的像素。 ltype参数指定了输出标签图像的数据类型，可以取cv.CV_32S或cv.CV_16U。当标签数量很大时，应该使用cv.CV_32S类型，否则可以使用cv.CV_16U类型。 使用cv.connectedComponents()函数可以对二值图像进行连通组件标记，得到每个连通组件的标签，并可以根据标签提取连通组件。这个函数在图像分割、对象检测和跟踪等领域中广泛应用。

watershed()

cv.watershed()是OpenCV中的一个函数，用于实现分水岭算法，即对图像进行分割。该函数将图像看做一个地形图，将图像中的亮度值看做高度，然后在该地形图上进行分水岭分割。
markers = cv.watershed(image, markers)

其中，参数image是输入的待分割图像，markers是标记图像，表示原始图像中的每个像素所属的初始标记。初始标记可以是-1或0，-1表示不确定区域，0表示背景区域。函数执行完毕后，markers会被更新为分割后的标记图像，即表示原始图像中每个像素所属的分割区域。 使用cv.watershed()函数实现分水岭算法需要经过以下几个步骤：

1. 对原始图像进行预处理，如去噪、平滑等。
2. 对预处理后的图像进行二值化处理，得到二值图像。
3. 对二值图像进行距离变换，得到距离变换图像。
4. 对距离变换图像进行阈值处理，得到初始标记图像。
5. 对初始标记图像进行分水岭分割，得到分割结果。
6. 对分割结果进行后处理，如去除小区域、填充空洞等。 cv.watershed()函数可以用于图像分割、对象检测和跟踪等领域中，该函数的分割结果通常比较准确，但是容易受到噪声的影响，需要经过一定的调试才能得到较好的分割结果。

基于OpenCV的图像分割流程图

完整代码：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as  plt
img = cv.imread('img/iron.png')
print(img.shape)# (393, 320, 3)
# 对图像颜色进行转换
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
# 阈值分割，将图像分为黑白两部分
ret,thresh = cv.threshold(gray,0,255,cv.THRESH_BINARY_INV+cv.THRESH_OTSU)
# 去除图像中的任何白点噪声，使用形态学扩张，
kernel = np.ones((3,3),np.uint8)# 定义卷积核
# 对图像进行开运算：先腐蚀，再膨胀
opening = cv.morphologyEx(thresh,cv.MORPH_OPEN,kernel,iterations=2)
# 注意：靠近对象中心的区域是前景目标，而离对象中心很远的区域是背景
# 确定背景区域:对开运算的结果进行膨胀，得到大部分都是背景的区域
sure_bg = cv.dilate(opening,kernel,iterations=2)# 膨胀操
# 距离变换，寻找前景区域：通过distanceTransform
dist_transform = cv.distanceTransform(opening,cv.DIST_L2,5)
print(dist_transform.max())# 30个像素点
# 获取边界
ret,sure_fg = cv.threshold(dist_transform,0.5*dist_transform.max(),255,0)
# 获得边界区域，找到未知区域
sure_fg = np.uint8(sure_fg)
unknow = cv.subtract(sure_bg,sure_fg)
# 类别标记,将具有相同像素值的像素标记为同一个连通组件,ret对连同区域进行标号
ret,markers = cv.connectedComponents(sure_fg)
print(markers.shape)# (393, 320)
# 将图像矩阵保存为文件
np.savetxt("image.txt", markers)
print(markers==1)
# 为所有的标记加1，保证背景是0而不是1
markers = markers+1
# 让所有的未知区域为0
markers[unknow==255] = 0
# 实施分水岭算法，标签图将会被修改，边界区域的标记将变为-1
markers = cv.watershed(img,markers)
img[markers == -1] = [255,0,0]
# 图片展示
plt.subplot(241), plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB)),
plt.title('Original'), plt.axis('off')
plt.subplot(242), plt.imshow(thresh, cmap='gray'),
plt.title('Threshold'), plt.axis('off')
plt.subplot(243), plt.imshow(sure_bg, cmap='gray'),
plt.title('Dilate'), plt.axis('off')
plt.subplot(244), plt.imshow(dist_transform, cmap='gray'),
plt.title('Dist Transform'), plt.axis('off')
plt.subplot(245), plt.imshow(sure_fg, cmap='gray'),
plt.title('Threshold'), plt.axis('off')
plt.subplot(246), plt.imshow(unknow, cmap='gray'),
plt.title('Unknow'), plt.axis('off')
plt.subplot(247), plt.imshow(np.abs(markers), cmap='jet'),
plt.title('Markers'), plt.axis('off')
plt.subplot(248), plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB)),
plt.title('Result'), plt.axis('off')
plt.show()

查看图像的矩阵

方式一： 将图像矩阵保存为文件

# 将图像矩阵保存为文件
np.savetxt("image.txt", markers)

方式二：通过DeBug进行查看

在需要查看数据代码的左边，点击进行断点，然后点击debug模式启动，当运行完该行之后，需要的数据会出现在Variables中，我们可以点击查看，但是这样往往是从整体上进行查看，而不能查看具体的矩阵内容，我们可以进行如下操作：

操作后，可以看到VciView中可以看到