分水岭算法（理论+opencv实现）

分水岭算法理论

 

　　从意思上就知道通过用水来进行分类，学术上说什么基于拓扑结构的形态学。。。其实就是根据把图像比作一副地貌，然后通过最低点和最高点去分类！

 

---

 

原始的分水岭：

 

　　就是上面说的方式，接下来用一幅图进行解释---->>>

　　　　　　把图像用一维坐标表示，二维和三维不好画，必须用matlab了，我不会用，意思可以表述到位

 

• 　　　　　　第一步：找到图像的局部最低点，这个方法很多了，可以用一个内核去找，也可以一个一个比较，实现起来不难。
• 　　　　　　第二步：从最低点开始注水，水开始网上满（图像的说法就是梯度法），其中那些最低点已经被标记，不会被淹没，那些中间点是被淹没的。
• 　　　　　　第三步：找到局部最高点，就是图中3位置对应的两个点。
• 　　　　　　第四步：这样基于局部最小值，和找到的局部最大值，就可以分割图像了。

 

 

分类图

模拟结果图

 

 

　　是不是感觉上面的方法很好，也很简单？接着看下面的图：

 　　　　　　利用上面的步骤，第一步找到了三个点，然后第二步开始漫水，这三个点都被记录下来了，又找到两个局部最大值。

　　　　   这是我们想要的吗？

　　　　   回答是否定的！其中中间那个最小值我们不需要，因为只是一个很少并且很小的噪点而已，我们不需要图像分割的那么细致。

　　　　　缺陷显露出来了吧？没关系，下面我们的opencv把这个问题解决了。

 

模拟分类图 

模拟结果图

---

 

 opencv改进的分水岭算法：

 　　

　　针对上面出现的问题，我们想到的是能不能给这种小细节一个标记，让它不属于我们找的最小的点呢？

　  opencv对其改进就是使用了人工标记的方法，我们标记一些点，基于这些点去引导分水岭算法的进行，效果很好！　

 　　　　　　比如我们对上面的图像标记了两个三角形，第一步我们找到三个局部最小点，第二步淹没的时候三个点都被淹没了，然而中间那个没被标记，那就淹死了（没有救生圈），其余两个点保留，这样就可以达到我们的想要的结果了。

　　注释：这里的标记是用不同的标号进行的，我为了方便使用了同样的三角形了。因为标记用来分类，所以不同的标记打上不同的标号！这在下面opencv程序中体现了。。。

 模拟分类图

模拟结果图

 

 

---

 

注释：具体的实现没有完成，感觉原理懂了会使用了这样就可以了，当你需要深入的时候再去研究实现的算法，当你浅浅的使用懂了原理应该会改一点，面试过了完全可以啊！哈哈哈~~

 

opencv实现：

 

 1 #include <opencv2/opencv.hpp>
 2 #include <iostream>
 3 
 4 using namespace cv;
 5 using namespace std;
 6 
 7 void waterSegment(InputArray& _src, OutputArray& _dst, int& noOfSegment);
 8 
 9 int main(int argc, char** argv) {
10     
11     Mat inputImage = imread("coins.jpg");
12     assert(!inputImage.data);
13     Mat graImage, outputImage;
14     int offSegment;
15     waterSegment(inputImage, outputImage, offSegment);
16 
17     waitKey(0);
18     return 0;
19 }
20 
21 void waterSegment(InputArray& _src,OutputArray& _dst,int& noOfSegment)
22 {
23     Mat src = _src.getMat();//dst = _dst.getMat();
24     Mat grayImage;
25     cvtColor(src, grayImage,CV_BGR2GRAY);
26     threshold(grayImage, grayImage, 0, 255, THRESH_BINARY | THRESH_OTSU);
27     Mat kernel = getStructuringElement(MORPH_RECT, Size(9, 9), Point(-1, -1));
28     morphologyEx(grayImage, grayImage, MORPH_CLOSE, kernel);
29     distanceTransform(grayImage, grayImage, DIST_L2, DIST_MASK_3, 5);
30     normalize(grayImage, grayImage,0,1, NORM_MINMAX);
31     grayImage.convertTo(grayImage, CV_8UC1);
32     threshold(grayImage, grayImage,0,255, THRESH_BINARY | THRESH_OTSU);
33     morphologyEx(grayImage, grayImage, MORPH_CLOSE, kernel);
34     vector<vector<Point>> contours;
35     vector<Vec4i> hierarchy;
36     Mat showImage = Mat::zeros(grayImage.size(), CV_32SC1);
37     findContours(grayImage, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(-1, -1));
38     for (size_t i = 0; i < contours.size(); i++)
39     {
40         //这里static_cast<int>(i+1)是为了分水岭的标记不同，区域1、2、3。。。。这样才能分割
41         drawContours(showImage, contours, static_cast<int>(i), Scalar::all(static_cast<int>(i+1)), 2);
42     }
43     Mat k = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
44     morphologyEx(src, src, MORPH_ERODE, k);
45     watershed(src, showImage);
46 
47     //随机分配颜色
48     vector<Vec3b> colors;
49     for (size_t i = 0; i < contours.size(); i++) {
50         int r = theRNG().uniform(0, 255);
51         int g = theRNG().uniform(0, 255);
52         int b = theRNG().uniform(0, 255);
53         colors.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
54     }
55 
56     // 显示
57     Mat dst = Mat::zeros(showImage.size(), CV_8UC3);
58     int index = 0;
59     for (int row = 0; row < showImage.rows; row++) {
60         for (int col = 0; col < showImage.cols; col++) {
61             index = showImage.at<int>(row, col);
62             if (index > 0 && index <= contours.size()) {
63                 dst.at<Vec3b>(row, col) = colors[index - 1];
64             }
65             else if (index == -1)
66             {
67                 dst.at<Vec3b>(row, col) = Vec3b(255, 255, 255);
68             }
69             else {
70                 dst.at<Vec3b>(row, col) = Vec3b(0, 0, 0);
71             }
72         }
73     }
74 }

 

 

 

 

 

 分水岭合并代码：

 1 void segMerge(Mat& image, Mat& segments, int& numSeg)
 2 {
 3     vector<Mat> samples;
 4     int newNumSeg = numSeg;
 5     //初始化变量长度的Vector
 6     for (size_t i = 0; i < newNumSeg; i++)
 7     {
 8         Mat sample;
 9         samples.push_back(sample);
10     }
11     for (size_t i = 0; i < segments.rows; i++)
12     {
13         for (size_t j = 0; j < segments.cols; j++)
14         {
15             int index = segments.at<uchar>(i, j);
16             if (index >= 0 && index <= newNumSeg)//把同一个区域的点合并到一个Mat中
17             {
18                 if (!samples[index].data)//数据为空不能合并，否则报错
19                 {
20                     samples[index] = image(Rect(j, i, 1, 1));
21                 }
22                 else//按行合并
23                 {
24                     vconcat(samples[index], image(Rect(j, i, 2, 1)), samples[index]);
25                 }
26             }
27             //if (index >= 0 && index <= newNumSeg)
28             //    samples[index].push_back(image(Rect(j, i, 1, 1)));
29         }
30     }
31     vector<Mat> hist_bases;
32     Mat hsv_base;
33     int h_bins = 35;
34     int s_bins = 30;
35     int histSize[2] = { h_bins , s_bins };
36     float h_range[2] = { 0,256 };
37     float s_range[2] = { 0,180 };
38     const float* range[2] = { h_range,s_range };
39     int channels[2] = { 0,1 };
40     Mat hist_base;
41     for (size_t i = 1; i < numSeg; i++)
42     {
43         if (samples[i].dims > 0)
44         {
45             cvtColor(samples[i], hsv_base, CV_BGR2HSV);
46             calcHist(&hsv_base, 1, channels, Mat(), hist_base, 2, histSize, range);
47             normalize(hist_base, hist_base, 0, 1, NORM_MINMAX);
48             hist_bases.push_back(hist_base);
49         }
50         else
51         {
52             hist_bases.push_back(Mat());
53         }
54     }
55     double similarity = 0;
56     vector<bool> merged;//是否合并的标志位
57     for (size_t i = 0; i < hist_bases.size(); i++)
58     {
59         for (size_t j = i+1; j < hist_bases.size(); j++)
60         {
61             if (!merged[j])//未合并的区域进行相似性判断
62             {
63                 if (hist_bases[i].dims > 0 && hist_bases[j].dims > 0)//这里维数判断没必要，直接用个data就可以了
64                 {
65                     similarity = compareHist(hist_bases[i], hist_bases[j], HISTCMP_BHATTACHARYYA);
66                     if (similarity > 0.8)
67                     {
68                         merged[j] = true;//被合并的区域标志位true
69                         if (i != j)//这里没必要，i不可能等于j
70                         {
71                             newNumSeg --;//分割部分减少
72                             for (size_t p = 0; p < segments.rows; p++)
73                             {
74                                 for (size_t k = 0; k < segments.cols; k++)
75                                 {
76                                     int index = segments.at<uchar>(p, k);
77                                     if (index == j) segments.at<uchar>(p, k) = i;
78                                 }
79                             }
80                         }
81                     }
82                 }
83             }
84         }
85     }
86     numSeg = newNumSeg;//返回合并之后的区域数量
87 }

 

 

 

 

 

 

 

 

 

 

 

 

 

 

参考：

　　　　http://blog.csdn.net/iracer/article/details/49225823

　　　　http://www.cnblogs.com/mikewolf2002/p/3304118.html

　　　　http://lib.csdn.net/article/opencv/22776

　　　　《opencv图像处理编程实例》

　　　　代码参考贾老师视频，原理早就看了毛星云的书本，但是当时一知半解，现在从头看一下子就懂了。

转载于:https://www.cnblogs.com/wjy-lulu/p/7056466.html