OpenCV_13 图像分割与修复

山水秀青城

已于 2022-09-20 20:01:37 修改

阅读量706

点赞数

分类专栏： OpenCV 文章标签： opencv 计算机视觉人工智能

于 2022-09-14 09:07:01 首次发布

本文链接：https://blog.csdn.net/shuggg/article/details/126673755

版权

OpenCV 专栏收录该内容

14 篇文章 1 订阅

订阅专栏

前言

本节主要介绍图像分割和修复的方法和OpenCV中提供的算法，并提供代码例程。

一、

1.什么是图像分割？

将前景物体从背景中分离出来

2.图像分割方法

传统的图像分割方法
（1）分水岭法
（2）GrabCut法
（3）MeanShift
（4）背景扣除
深度学习的图像分割

二、传统图像分割方法

1.分水岭法

原理

在这里插入图片描述
分水岭分割方法，是一种基于拓扑理论的数学形态学的分割方法.分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，在两个集水盆汇合处构筑大坝，即形成分水岭。

分水岭的计算过程是一个迭代标注过程。比较经典的计算方法是L. Vincent提出的。在该算法中，分水岭计算分两个步骤，一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高排序，然后在从低到高实现淹没过程中，对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。

分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。

在这里插入图片描述

当图像存在过多的极小区域而产生的许多小的集水盆（红色区域），但实际我们可能只需要那些大的集水盆（绿色区域）。因此分水岭算法对微弱边缘具有良好的响应，图像中的噪声、物体表面细微的灰度变化，都会产生过度分割的现象。但同时应当看出，分水岭算法对微弱边缘具有良好的响应，是得到封闭连续边缘的保证的。另外，分水岭算法所得到的封闭的集水盆，为分析图像的区域特征提供了可能。

步骤

标记背景
标记前景
标记未知区域
前景、背景、未知区域形成掩码后，当做参数传递给OpenCV的分水岭算法
进行分割

watershed() 分水岭算法API
声明：void watershed( InputArray image, InputOutputArray markers );
参数：
image:需要分割的图像
markers:前景、背景、未知区域设置不同的值用以区分它们

distanceTransform() 距离变换API，计算非零像素到零的距离
声明：void distanceTransform( InputArray src, OutputArray dst, OutputArray labels, int distanceType, int maskSize, int labelType = DIST_LABEL_CCOMP );
参数：
distanceType:计算距离的函数
DIST_L1：计算长宽绝对值的和
DIST_L2：勾股定理计算距离
maskSize:扫描时kernel的大小
L1用3、L2用5

connectedComponents() 求连通域API
声明：int connectedComponents(InputArray image, OutputArray labels, int connectivity, int ltype, int ccltype);
参数：
connectivity:计算连通域方法：4，8（默认）周围4或8个像素点
返回值：
返回一个int整型 nccomps，函数返回值为连通区域的总数N，范围为[0,N-1]，其中0代表背景。

代码示例：

import cv2
import numpy as np 
from matplotlib import pyplot as plt

# 获取背景
# 1.通过二值法得到黑白图片
# 2.通过形态学获取背景

img = cv2.imread('./picture/water_coins.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 开运算去噪点
kernel = np.ones((3, 3), np.int8)
open1 = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations = 2)
# 膨胀
bg = cv2.dilate(open1, kernel, iterations = 1)

# 获取前景物体
dist = cv2.distanceTransform(open1, cv2.DIST_L2, 5)

ret, fg = cv2.threshold(dist, 0.7*dist.max(), 255, cv2.THRESH_BINARY)

# plt.imshow(dist, cmap = 'gray')
# plt.show()
# exit()

# 获取未知区域
fg = np.uint8(fg)
unknow = cv2.subtract(bg, fg)

# 创建连通域
ret, marker = cv2.connectedComponents(fg)
marker = marker + 1
marker[unknow == 255] = 0

# 进行图像分割
result = cv2.watershed(img, marker)
img[result == -1] = [0, 0, 255]

cv2.imshow("bin", thresh)
cv2.imshow("bg", bg)
cv2.imshow("fg", fg)
cv2.imshow("unknow", unknow)
cv2.imshow("img", img)
cv2.waitKey(0)

结果展示：
请添加图片描述

2.GrabCut

通过交互的方式获得前景物体，例如：框选出物体的大致范围，然后进行图像分割，在各种图片处理软件中都有运用。

grabCut()
声明：void grabCut( InputArray img, InputOutputArray mask, Rect rect, InputOutputArray bgdModel, InputOutputArray fgdModel, int iterCount, int mode = GC_EVAL );
参数：
mask：分割后的掩码，可通过其将图像抠出
rect：选中区域
bgdModel和fgdModel：固定值
iterCount：grabCut迭代的次数
mode：模式

mask：
BGD：背景，0
FGD：前景，1
PR_BGD：可能是背景，2
PR_FGD：可能是前景，3

mode:
GC_INIT_WITH_RECT：在指定矩形区域搜索前后景
GC_INIT_WITH_MASK：第一次用rect，以后通过mask提取前后景

代码案例：

import cv2
import numpy as np 

class App:
    flag_rect = False
    startX = 0
    startY = 0
    rect = (0, 0, 0, 0)
    def onmouse(self, event, x, y, flags, param):

        if event == cv2.EVENT_LBUTTONDOWN:
            self.flag_rect = True
            self.startX = x
            self.startY = y
            print("LBUTTONDOWN")
        elif event == cv2.EVENT_LBUTTONUP:
            self.flag_rect = False
            cv2.rectangle(self.img, (self.startX, self.startY), (x, y), (0, 0, 255), 2)
            self.rect =  (min(self.startX, x), min(self.startY, y), abs(self.startX-x), abs(self.startY-y))
            print("LBUTTONUP")
        elif event == cv2.EVENT_MOUSEMOVE:
            if self.flag_rect == True:
                self.img = self.img2.copy()
                cv2.rectangle(self.img, (self.startX, self.startY), (x, y), (255, 0, 0), 2)
            print("MOUSEMOVE")

        print("onmouse")
    

    def run(self):
        print("run")

        cv2.namedWindow("input")
        cv2.setMouseCallback("input", self.onmouse)

        self.img = cv2.imread("./picture/lana.jpeg")
        self.img2 = self.img.copy()
        self.mask = np.zeros(self.img.shape[:2], dtype=np.uint8)
        self.output = np.zeros(self.img.shape, np.uint8)

        while(1):
            cv2.imshow("input", self.img)
            cv2.imshow("output", self.output)

            key = cv2.waitKey(100)
            if key == 27:
                break
            if key == ord('g'):
                bgdmodel = np.zeros((1, 65), np.float64)
                fgdmodel = np.zeros((1, 65), np.float64)
                cv2.grabCut(self.img2, self.mask, self.rect, bgdmodel, fgdmodel, 1, cv2.GC_INIT_WITH_RECT)
            mask2 = np.where((self.mask == 1) | (self.mask == 3), 255, 0).astype('uint8') 
            self.output = cv2.bitwise_and(self.img2, self.img2, mask = mask2)


App().run()

结果展示：
请添加图片描述

3.MeanShift

严格来说MeanShift并不是用来对图像分割的，而是在色彩层面的平滑滤波，它会中和色彩分布相近的颜色，平滑色彩细节，侵蚀掉面积较小的颜色区域。它以图像上任意一点P为圆心，半径为sp，色彩幅值为sr进行不断的迭代。

pyrMeanShiftFiltering()
声明：void pyrMeanShiftFiltering( InputArray src, OutputArray dst, double sp, double sr, int maxLevel = 1, TermCriteria termcrit=TermCriteria(TermCriteria::MAX_ITER+TermCriteria::EPS,5,1) );
参数：
sp：半径
sr：色彩幅值的变化范围

代码示例：

# 平滑色彩
mean_img = cv2.pyrMeanShiftFiltering(img, 20, 30)
# 提取边缘
canny_img = cv2.Canny(mean_img, 150, 300)
contours, _ = cv2.findContours(canny_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
# 绘制边沿
cv2.drawContours(img, contours, -1, (0, 0, 255), 2)

三、视频背景抠除

视频实际上是一组连续的帧，帧与帧之间关系密切（GOD），在GOD中，背景几乎是不变的。

1.MOG去背景

混合高斯模型为基础的前景/背景分割算法

createBackgroundSubtractorMOG2()
声明：createBackgroundSubtractorMOG2(int history=500, double varThreshold=16, bool detectShadows=true);
参数：
history：读取的历史帧，单位毫秒
detectShadows：是否检测阴影

代码示例：

import cv2
import numpy as np 

cap = cv2.VideoCapture('./video/vtest.avi')
mog = cv2.createBackgroundSubtractorMOG2()

while True:
    ret, frame = cap.read()
    fgmask = mog.apply(frame)

    cv2.imshow('img', fgmask)
    k = cv2.waitKey(30)
    if k == 27:
        break

cap.release()
cv2.destroyAllWindows()

结果展示：
请添加图片描述

2.GMG去背景

从上图可以看出MOG2去背景方法会产生大量的噪点，由此提出GMG方法。静态背景图像估计和每个像素的贝叶斯分割抗噪性更强

3.图像修复

inpaint()
声明：void inpaint( InputArray src, InputArray inpaintMask, OutputArray dst, double inpaintRadius, int flags );
参数：
inpaintMask：与原始图像尺寸一样，黑底白色残缺位置的一张图片
inpaintRadius：算法考虑的每个修复点的圆形邻域半径
flags：
INPAINT_NS
INPAINT_TELEA

使用inpaint进行图像修复需要一张黑色背景，白色图案的原图像的缺失部分，且必须是单通道的。可以通过图像分割的方法获得。

代码示例：

import cv2
import numpy as np 

img = cv2.imread("./picture/inpaint.png")
mask = cv2.imread("./picture/inpaint_mask.png")
mask = cv2.cvtColor(mask, cv2.COLOR_BGR2GRAY)

dst = cv2.inpaint(img, mask, 5, cv2.INPAINT_TELEA)

cv2.imshow("img", img)
cv2.imshow("dst", dst)
cv2.waitKey()