opencv实现三重点_OpenCV---分水岭算法

推文：

使用分水岭算法进行图像分割

(一)获取灰度图像，二值化图像，进行形态学操作，消除噪点

def watershed_demo(image):

blur= cv.pyrMeanShiftFiltering(image,10,100)

gray=cv.cvtColor(blur,cv.COLOR_BGR2GRAY)　　#获取灰度图像

ret,binary= cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)　　#将图像转为黑色和白色部分

cv.imshow("binary",binary)　　#获取二值化图像

#形态学操作，进一步消除图像中噪点

kernel= cv.getStructuringElement(cv.MORPH_RECT,(3,3))

mb= cv.morphologyEx(binary,cv.MORPH_OPEN,kernel,iterations=2) #iterations连续两次开操作，消除图像的噪点

(二)在距离变换前加上一步操作：通过对上面形态学去噪点后的图像，进行膨胀操作，可以得到大部分都是背景的区域(原黑色不是我们需要的部分是背景)

sure_bg = cv.dilate(mb,kernel,iterations=3) #3次膨胀,可以获取到大部分都是背景的区域

(三)使用距离变换distanceTransform获取确定的前景色

根据distanceTransform获取距离背景最小距离的结果(详细看下面相关知识补充)

根据distanceTransform操作的结果，设置一个阈值，使用threshold决定哪些区域是前景，这样得到正确结果的概率很高

dist = cv.distanceTransform(mb,cv.DIST_L2,5)　　#获取距离数据结果

ret, sure_fg= cv.threshold(dist,dist.max()*0.6,255,cv.THRESH_BINARY)　　#获取前景色

相关知识补充(重点)

(1)距离变换原理

距离变换的处理图像通常都是二值图像，而二值图像其实就是把图像分为两部分，即背景和物体两部分，物体通常又称为前景目标！

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。

再通过设定合理的阈值对距离变换后的图像进行二值化处理，则可得到去除手指的图像(如下图“bidist”窗口图像所示)，手掌重心即为该图像的几何中心。

主要用于计算非零像素到最近零像素点的最短距离。一般用于求解图像的骨骼

def distanceTransform(src, distanceType, maskSize, dst=None, dstType=None): # real signature unknown; restored from __doc__

src：输入的图像，一般为二值图像

distanceType：所用的求解距离的类型，有CV_DIST_L1, CV_DIST_L2 , or CV_DIST_C

mask_size：距离变换掩模的大小，可以是3 或 5. 对 CV_DIST_L1 或 CV_DIST_C 的情况，参数值被强制设定为 3, 因为 3×3 mask 给出 5×5 mask 一样的结果，而且速度还更快。

(3)若是想骨骼显示(对我们的分水岭流程无影响)，我们需要对distanceTransform返回的结果进行归一化处理，使用normalize

因为distanceTransform返回的图像数据是浮点数值，要想在浮点数表示的颜色空间中，数值范围必须是0-1.0，所以要将其中的数值进行归一化处理

(重点)在整数表示的颜色空间中，数值范围是0-255，但在浮点数表示的颜色空间中，数值范围是0-1.0，所以要把0-255归一化。

顺便补充：若是不做归一化处理，数值大于1的都会变为1.0处理

mb = cv.morphologyEx(binary,cv.MORPH_OPEN,kernel,iterations=2) #iterations连续两次开操作

cv.imshow("mb", mb)　　#这是我们形态学开操作过滤噪点后的图像，暂时可以看做源图像

#距离变换

dist= cv.distanceTransform(mb,cv.DIST_L2,5)　　#这是我们获取的字段距离数值，对应每个像素都有，所以数组结构和图像数组一致

cv.imshow("dist",dist)

dist_output= cv.normalize(dist,0,1.0,cv.NORM_MINMAX)　　#归一化的距离图像数组　 cv.imshow("distinct-t",dist_output*50)

发现了似乎distanceTransform返回的图像和源图像一样，似乎出错了

原因：因为distanceTransform返回的是浮点型色彩空间，而dist中存放的数距离0值的最小距离，大多是大于1.0的数值，

而上面提到浮点型色彩空间数值范围0-1.0，当数值大于1.0都会被设置为1.0，显示白色，所以和原来的二值化图像一致，

我们要想显示骨骼，必须先进行归一化处理

下面是从二值化图像源，distanceTransform距离数组，和归一化距离数组中获取的一段像素数组

print(mb[150][120:140])

print(dist[150][120:140])

print(dist_output[150][120:140])

整数型色彩空间二值化图像

[ 0 0 0 0 0 0 0 0 0 255 255 255 255 255 255 255 255 255

255 255]

浮点型色彩空间最小距离数组，由于数值大于1.0都会被设置为1.0，所以和上面二值化图像一致

[0. 0. 0. 0. 0. 0. 0.0. 0. 1. 1.4 2.1969 3.1969 4.1969

5.1969 6.1969 7.1969 8.196899 9.196899 10.187599]

浮点型色彩空间归一化数组图像，显示骨骼

[0. 0. 0. 0. 0. 0.0. 0. 0. 0.00047065 0.0006589 0.00103396

0.00150461 0.00197525 0.00244589 0.00291654 0.00338719 0.00385783

0.00432847 0.00479474]

(四)在获取了背景区域和前景区域(其实前景区域是我们的种子，我们将从这里进行灌水，向四周涨水，但是这个需要在markers中表示)后，这两个区域中有未重合部分(注1)怎么办？首先确定这些区域(寻找种子)

注1：

这里是求取硬币偏白色，使用THRESH_BINARY，所以我们获取对象是白色区域，是获取未重合部分

若是我们求取树叶等偏黑，需要使用THRESH_BINARY_INV，此时我们获取的对象是黑色区域，就变为了获取重合部分了

开始获取未知区域unknown(栅栏会创建在这一区域)，为下一步获取种子做准备

surface_fg =np.uint8(sure_fg) #保持色彩空间一致才能进行运算，现在是背景空间为整型空间，前景为浮点型空间，所以进行转换

unknown=cv.subtract(sure_bg,surface_fg)

cv.imshow("unkown",unknown)

使用print查看背景前景色彩空间不同

print(sure_fg[150][120:140])

print(sure_bg[150][120:140])---------------------------------------[0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]

[0 0 0 0 0 0 255 255 255 255 255 255 255 255 255 255 255 255

255 255]

(五)获取了这些区域，我们可以获取种子，这是通过connectedComponents实现,获取masker标签，确定的前景区域会在其中显示为以1开始的数据，这就是我们的种子，会从这里开始漫水

利用connectedComponents求图中的连通图

重点：

现在知道了那些是背景那些是硬币(确定的前景区域)了。

那我们就可以创建标签(一个与原图像大小相同，数据类型为 in32 的数组)，并标记其中的区域了。

对我们已经确定分类的区域(无论是前景还是背景)使用不同的正整数标记，对我们不确定的区域(unknown区域)使用 0 标记。

我们可以使用函数 cv2.connectedComponents()来做这件事。

它会把对标签进行操作，将背景标记为 0，其他的对象使用从 1开始的正整数标记(其实这就是我们的种子，水漫时会从这里漫出)。然后将这个标签返回给我们markers

但是，我们知道如果背景标记为0，那分水岭算法就会把它当成未知区域了。(我们要将未知区域标记为0，所以我们要将背景区域变为其他整数，例如+1)

所以我们想使用不同的整数标记它们。

而对不确定的区域(函数cv2.connectedComponents 输出的结果中使用 unknown 定义未知区域)标记为 0。

#获取mask

ret,markers=cv.connectedComponents(surface_fg)

函数原型：

def connectedComponents(image, labels=None, connectivity=None, ltype=None): # real signature unknown; restored from __doc__

参数：

参数image是需要进行连通域处理的二值图像，其他的这里用不到

返回值：

ret是连通域处理的边缘条数，是上面提到的确定区域(出去背景外的其他确定区域：就是前景)，就是种子数，我们会从种子开始向外涨水

markers是我们创建的一个标签(一个与原图像大小相同，数据类型为 in32 的数组)，其中包含有我们原图像的确认区域的数据(前景区域)

查看部分markers：(0代表的是背景色，)

[0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0　#0是我们的背景区域

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 2 2　　#像这些以1开始的整数就是我们确定的前景区域，就是我们要找的种子

2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]

(六)根据未知区域unknown在markers中设置栅栏，并将背景区域加入种子区域，一起漫水

注意：

watershed漫水算法需要我们将栅栏区域设置为0，所以我们需要将markers中背景区域(原来为0，会干扰算法)设置为其他整数。

解决方法将markers整体加一　　#此时种子区域不止我们原来的前景区域，有增加了一个背景区域，我们将从这些区域一起灌水

markers= markers + 1markers[unknown==255] = 0

(七)根据种子开始漫水，让水漫起来找到最后的漫出点(栅栏边界)，越过这个点后各个山谷中水开始合并。注意watershed会将找到的栅栏在markers中设置为-1

markers = cv.watershed(image,markers=markers)　　#获取栅栏

image[markers==-1] = [0,0,255]　　#根据栅栏，我们对原图像进行操作，对栅栏区域设置为红色

markers再次查看

[-1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1 -1 -1 -1 -1 -1 -1　　#漫水算法会将找到的栅栏设置为-1

-1 -1 -1 -1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 -1 2 2 2 2 2 2 2 2 2 2

2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2

2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 2 -1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 -1]

(八)结果查看

(九)全部代码

import cv2 ascv

import numpyasnp

def watershed_demo(image):

blur= cv.pyrMeanShiftFiltering(image,10,100)

gray=cv.cvtColor(blur,cv.COLOR_BGR2GRAY) #获取灰度图像

ret,binary= cv.threshold(gray,0,255,cv.THRESH_BINARY|cv.THRESH_OTSU)

#形态学操作，进一步消除图像中噪点

kernel= cv.getStructuringElement(cv.MORPH_RECT,(3,3))

mb= cv.morphologyEx(binary,cv.MORPH_OPEN,kernel,iterations=2) #iterations连续两次开操作

sure_bg= cv.dilate(mb,kernel,iterations=3) #3次膨胀,可以获取到大部分都是背景的区域

cv.imshow("sure_bg",sure_bg)

#距离变换

dist= cv.distanceTransform(mb,cv.DIST_L2,5)

cv.imshow("dist",dist)

dist_output= cv.normalize(dist,0,1.0,cv.NORM_MINMAX)

# print(mb[150][120:140])

# print(dist[150][120:140])

# print(dist_output[150][120:140])

cv.imshow("distinct-t",dist_output*50)

ret, sure_fg= cv.threshold(dist,dist.max()*0.6,255,cv.THRESH_BINARY)

cv.imshow("sure_fg",sure_fg)

# print(sure_fg[150][120:140])

# print(sure_bg[150][120:140])

#获取未知区域

surface_fg=np.uint8(sure_fg) #保持色彩空间一致才能进行运算，现在是背景空间为整型空间，前景为浮点型空间，所以进行转换

unknown=cv.subtract(sure_bg,surface_fg)

cv.imshow("unkown",unknown)

#获取maskers,在markers中含有种子区域

ret,markers=cv.connectedComponents(surface_fg)

#print(ret)

#分水岭变换

markers= markers + 1markers[unknown==255] = 0markers= cv.watershed(image,markers=markers)

image[markers==-1] = [0,0,255]cv.imshow("result",image)

src= cv.imread("./c.png") #读取图片

cv.namedWindow("input image",cv.WINDOW_AUTOSIZE) #创建GUI窗口,形式为自适应

cv.imshow("input image",src) #通过名字将图像和窗口联系

watershed_demo(src)

cv.waitKey(0) #等待用户操作，里面等待参数是毫秒，我们填写0，代表是永远，等待用户操作

cv.destroyAllWindows() #销毁所有窗口