【OpenCV】数字图像的距离变换算法

图像数字化

通过传感器获得的图像是平面坐标(x,y)的连续函数f(x,y)，它的值图像对应位置的亮度。为了能够让计算机来处理，需要对图像进行采样，并且对亮度值进行量化。

1. 采样。对连续函数f(x,y)进行采样，就是分别对x轴和y轴，按照固定间隔取值，得到平面坐标上的M×N个点，将其函数值作为元素生成M行N列的矩阵；
2. 量化亮度值。将f(x,y)的值转化为等价的整数值的过程称为量化，量化的级别越高，图像越细致。通常将亮度值表示为0-255之间的整数。

这样，在计算机中通常以矩阵表示数字图像，矩阵的元素对应图像的亮度信息。

距离

满足以下三个条件的函数D称作距离：

1. 同一性：
   
2. 对称性：
   
3. 三角不等式：
   

数字图像的距离有多种定义方式，包括欧式距离、城市街区距离、棋盘距离等。以下以两坐标点$a=(i,j)$和$b=(k,l)$的距离为例，来说明各种距离的定义方式。

欧式距离DE就是通常所说的距离，它定义为：

欧式距离在事实上比较直观，但是平方根计算比较费时，且距离可能不是数。

城市街区距离D4，它定义为在只允许横向和纵向运动的情况下，从起点到终点的移动步数。用公式表示为：

符号D4中的4表示在这种定义下，像素点是4邻接的，即每个点只与它的上、下、左、右相邻的4个点之间的距离为1。

如果允许横向、纵向和沿对角线方向移动，则可以得到棋盘距离D8的定义：

符号D8中的8表示在这种定义下，像素点是8邻接的，即每个点只与它的上、下、左、右、四个对角线方向相邻的8个点之间的距离为1。

显然，以上三种距离的定义都满足距离的定义条件。

距离变换

距离变换也叫作距离函数或者斜切算法。它是距离概念的一个应用，图像处理的一些算法以距离变换为基础。距离变换描述的是图像中像素点与某个区域块的距离，区域块中的像素点值为0，临近区域块的像素点有较小的值，离它越远值越大。

以二值图像为例，其中区域块内部的像素值为1，其他像素值为0。距离变换给出每个像素点到最近的区域块边界的距离，区域块内部的距离变换结果为0。输入图像如图1所示，D4距离的距离变换结果如图2所示。

下面来讨论距离变换算法，其核心是利用两个小的局部掩膜遍历图像。第一遍利用掩模1，左上角开始，从左往右，从上往下。第二遍利用第二个掩模，右下角开始，从右往左，从下往上。掩模形状如下图所示：

按照某种距离（如：D4距离或D8距离）对大小为M×N的图像中的区域块作距离变换，算法过程如下：

1. 建立一个大小为M×N的数组F，作如下的初始化：将区域块中的元素设置为0，其余元素设置为无穷；
2. 利用掩模1（mask1），左上角开始，从左往右，从上往下遍历数组，将掩模中P点对应的元素的值作如下更新：
   
3. 利用掩模2（mask2），右下角开始，从右往左，从下往上遍历数组，将掩模中P点对应的元素的值作如下更新：
   
   最终得到的更新后的数组即为距离变换的结果。

这个算法过程在图像编边界需要做出调整，因为在边界处，掩模不能全部覆盖图像，这时可以将掩模中没有对应元素的位置的值当作0来处理。

OpenCV代码实现

C++

这个算法过程经过很多的改进，但基本原理并没有区别。开源计算机视觉库OpenCV中，距离变换算法有相应的实现，声明如下：

CV_EXPORTS_W void distanceTransform( InputArray src, OutputArray dst,
                                     int distanceType, int maskSize, int dstType=CV_32F);

参数详解：

• InputArray src：输入图像，一般为二值图像；
• OutputArray dst：输出的图像，距离变换结果；
• int distanceType：用于距离变换的距离类型（欧氏距离：DIST_L2 = 2；$D_4$距离：DIST_L1 =
  1；$D_8$距离：DIST_C = 3等）；
• int mask_size：距离变换掩模的大小，一般为3或5； int
• dstType：输出图像的数据类型，可以为CV_8U或CV_32F。

下面我们用一个具体的例子来展示距离变换的效果。将大小为480*480，其中有三个像素点设置为1，其余都为0的一张图片作为输入图像，分别在欧式距离、$D_4$距离和$D_8$距离下，距离变换的结果。

效果如下图所示：



下面是代码实现：

#include<opencv2/opencv.hpp>
using namespace cv;
using namespace std;

int main()
{
    //初始化输入图像和变换结果图像
    Mat mat(480, 480, CV_8UC1, Scalar(0)), transMatE, transMatD4, transMatD8;

    //给输入图像指定三个像素点作为距离变换原点(区域块)
    mat.at<uchar>(100, 200) = 1;
    mat.at<uchar>(200, 100) = 1;
    mat.at<uchar>(300, 300) = 1;

    //将将输入图像中1和0调换，使得原点距离为0
    mat = 1 - mat;

    //显示原始图像(显示为黑色)
    imshow("原始图片", mat);

    //分别利用欧式距离、D4距离和D8距离作距离变换，将结果存入transMatD4、transMatD8和transMatE
    distanceTransform(mat, transMatE, DIST_L2, 0);
    distanceTransform(mat, transMatD4, DIST_L1, 0, CV_8U);
    distanceTransform(mat, transMatD8, DIST_C, 0);

    //欧式距离与D8距离作变换后，值为32位浮点数，以下代码将其值转为uchar类型
    transMatE.convertTo(transMatE, CV_8U);
    transMatD8.convertTo(transMatD8, CV_8U);

    //显示距离变换结果
    imshow("欧式距离变换后的图片", transMatE);
    imshow("D4距离变换后的图片", transMatD4);
    imshow("D8距离变换后的图片", transMatD8);


    waitKey();

    return 0;
}

Python

距离变换函数用于计算每个像素离最近0值像素的距离，输入是一个二值图像。图像上越亮的点，代表了离零点的距离越远。距离变换应用于图像细化，图像分割等。

dist_img = cv2.distanceTransform(img_bin, distance_type, mask_size)
# distance_type 计算距离的公式
#     参看 cv2.DIST_* ，常用cv2.DIST_L1
# mask_size 
#     参看 cv2.DIST_MASK_*

import cv2
from cvutils import utils
from matplotlib import pyplot as plt

img = cv2.imread('laugh.jpg', 0)
img_filtered = cv2.bilateralFilter(img, 21, 75, 75)
img_bin = utils.convert2binary(img_filtered, ksize=91)

dist_img = cv2.distanceTransform(img_bin, cv2.DIST_L1, cv2.DIST_MASK_3)

plt.subplot(1, 2, 1), plt.imshow(dist_img)
plt.title("jet dist"), plt.xticks([]), plt.yticks([])
plt.subplot(1, 2, 2), plt.imshow(cv2.equalizeHist(cv2.convertScaleAbs(dist_img)), cmap='gray')
plt.title("gray_dist"), plt.xticks([]), plt.yticks([])
plt.show()

参考博客

数字图像的距离变换算法
OpenCV-Python距离变换函数