形态学分水岭算法原理及示例实现

原理介绍

前面写了OTSU算法最大熵算法自适应阈值法基于区域生长算法。他们都有各自的优缺点,而分水岭算法具有它们都具有的优势,所以通常能够产生更加稳健的分割效果。

分水岭算法(watershed)是一种比较基本的数学形态学分割算法,其基本思想是将灰度图像转换为梯度图像,将梯度值看作高低起伏的山岭,将局部极小值及其邻域看作一个“集水盆”。设想一个个“集水盆”中存在积水,且水位不断升高,淹没梯度较低的地方,当水漫过程停止后,就找出了分割线,图像也就可以被分割成几块连通区域。这里用动图演示一下:

                                   lpe1 (1)  ima3 (1)

所以寻找局部极小值是算法的关键,但在真实图像中,由于噪声点或者其它干扰因素的存在,使用分水岭算法常常存在过度分割的现象,这是因为很多很小的局部极值点的存在,比如下面的图像,这样的分割效果是毫无用处的:

                                       

为了解决过度分割的问题,可以使用基于标记(mark)图像的分水岭算法,就是通过先验知识,来指导分水岭算法,以便获得更好的图像分段效果。通常的mark图像,都是在某个区域定义了一些灰度层级,在这个区域的洪水淹没过程中,水平面都是从定义的高度开始的,这样可以避免一些很小的噪声极值区域的分割。

标记(mark):可以通过人工交互标记,也可以通过计算。下面展示了采用基于mark的分水岭算法过程:第一幅图红色区域就是标记的灰度级。

           ima4  lpe2  ima5 

通过标记,我们可以得到很好得分割效果:

                                           

OpenCV接口: 

void watershed( InputArray image, InputOutputArray markers ); 

输入图像必须是3通道的RGB图像,最为关键的是第二个参数markers,这个参数包含不同区域的轮廓,每个轮廓有一个自己唯一的编号,轮廓的定位可以通过Opencv中findContours方法实现。然后分水岭算法会根据markers传入的标记作为种子(也就是所谓的注水点、标记点),对图像上其他的像素点根据分水岭算法规则进行判断,并对每个像素点的区域归属进行划定,直到处理完图像上所有像素点。而区域与区域之间的分界处的值被置为“-1”,以做区分。

OpenCV的官方示例:https://docs.opencv.org/3.4.0/d8/da9/watershed_8cpp-example.html

 

示例代码

#include <opencv2/core/utility.hpp>
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include <cstdio>
#include <iostream>
using namespace cv;
using namespace std;
static void help()
{
	cout << "\nThis program demonstrates the famous watershed segmentation algorithm in OpenCV: watershed()\n"
		"Usage:\n"
		"./watershed [image_name -- default is ../data/fruits.jpg]\n" << endl;
	cout << "Hot keys: \n"
		"\tESC - quit the program\n"
		"\tr - restore the original image\n"
		"\tw or SPACE - run watershed segmentation algorithm\n"
		"\t\t(before running it, *roughly* mark the areas to segment on the image)\n"
		"\t  (before that, roughly outline several markers on the image)\n";
}
Mat markerMask, img;
Point prevPt(-1, -1);
static void onMouse(int event, int x, int y, int flags, void*)
{
	if (x < 0 || x >= img.cols || y < 0 || y >= img.rows)
		return;
	if (event == EVENT_LBUTTONUP || !(flags & EVENT_FLAG_LBUTTON))
		prevPt = Point(-1, -1);
	else if (event == EVENT_LBUTTONDOWN)
		prevPt = Point(x, y);
	else if (event == EVENT_MOUSEMOVE && (flags & EVENT_FLAG_LBUTTON))
	{
		Point pt(x, y);
		if (prevPt.x < 0)
			prevPt = pt;
		line(markerMask, prevPt, pt, Scalar::all(255), 1, 8, 0);
		line(img, prevPt, pt, Scalar::all(255), 1, 8, 0);
		prevPt = pt;
		imshow("image", img);
	}
}
int main(int argc, char** argv)
{

	cv::CommandLineParser parser(argc, argv, "{help h | | }{ @input | I:/Learning-and-Practice/2019Change/Image process algorithm/Img/lung2.jpeg | }");
	if (parser.has("help"))
	{
		help();
		return 0;
	}
	string filename = parser.get<string>("@input");
	Mat img0 = imread(filename, 1), imgGray;
	if (img0.empty())
	{
		cout << "Couldn'g open image " << filename << ". Usage: watershed <image_name>\n";
		return 0;
	}

	help();
	namedWindow("image", 1);
	img0.copyTo(img);
	cvtColor(img, markerMask, COLOR_BGR2GRAY);
	cvtColor(markerMask, imgGray, COLOR_GRAY2BGR);
	markerMask = Scalar::all(0);
	imshow("image", img);
	setMouseCallback("image", onMouse, 0);
	for (;;)
	{
		char c = (char)waitKey(0);
		if (c == 27)
			break;
		if (c == 'r')
		{
			markerMask = Scalar::all(0);
			img0.copyTo(img);
			imshow("image", img);
		}
		if (c == 'w' || c == ' ')
		{
			int i, j, compCount = 0;
			vector<vector<Point> > contours;
			vector<Vec4i> hierarchy;
			findContours(markerMask, contours, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);
			if (contours.empty())
				continue;
			Mat markers(markerMask.size(), CV_32S);
			markers = Scalar::all(0);
			int idx = 0;
			for (; idx >= 0; idx = hierarchy[idx][0], compCount++)
				drawContours(markers, contours, idx, Scalar::all(compCount + 1), -1, 8, hierarchy, INT_MAX);
			if (compCount == 0)
				continue;
			vector<Vec3b> colorTab;
			for (i = 0; i < compCount; i++)
			{
				int b = theRNG().uniform(0, 255);
				int g = theRNG().uniform(0, 255);
				int r = theRNG().uniform(0, 255);
				colorTab.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
			}
			double t = (double)getTickCount();
			Mat tmp = Mat::zeros(markers.size(), CV_8U);
			markers.convertTo(tmp, CV_8U, 255);
			imshow("markers",tmp);
			watershed(img0, markers);

			t = (double)getTickCount() - t;
			printf("execution time = %gms\n", t*1000. / getTickFrequency());
			Mat wshed(markers.size(), CV_8UC3);
			// paint the watershed image
			for (i = 0; i < markers.rows; i++)
			for (j = 0; j < markers.cols; j++)
			{
				int index = markers.at<int>(i, j);
				if (index == -1)
					wshed.at<Vec3b>(i, j) = Vec3b(255, 255, 255); //边界
				else if (index <= 0 || index > compCount)
					wshed.at<Vec3b>(i, j) = Vec3b(0, 0, 0);
				else
					wshed.at<Vec3b>(i, j) = colorTab[index - 1];
			}

			wshed = wshed*0.5 + imgGray*0.5;

			imshow("watershed transform", wshed);
		}
	}
	return 0;
}

效果

   

                                  标记                                               原图+标记                                                         分割效果

       

 

参考: 

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

https://www.cnblogs.com/zyly/p/9392881.html#_label2

http://m.itboth.com/d/6Zv2ue/opencv-c++

https://blog.csdn.net/just_sort/article/details/87376355

https://docs.opencv.org/3.4.0/d8/da9/watershed_8cpp-example.html

  • 7
    点赞
  • 55
    收藏
    觉得还不错? 一键收藏
  • 2
    评论
形态学分水岭算法是一种用于图像分割的方法,它结合了形态学理论和分水岭变换。该算法将图像视为拓扑地图,其中灰度值对应地形高度。它通过对梯度图像进行形态学的开闭运算来预处理图像,以消除过度分割的问题。然后,对预处理后的图像进行形态开闭预重建,并计算形态梯度。接下来,通过给定的阈值变换和非线性分类,引入给定尺度等级的像素连通关系,使用改进的分水岭标记算法进行图像分割[^2]。 在Matlab中,可以使用以下步骤实现形态学分水岭算法的图像分割: 1. 读取图像并将其转换为灰度图像。 2. 对灰度图像进行梯度计算,得到梯度图像。 3. 对梯度图像进行形态学的开操作和闭操作,以去除噪声和平滑图像。 4. 对形态学开闭操作后的图像进行形态学重建,得到重建图像。 5. 计算形态梯度,即原始图像与重建图像之间的差异。 6. 对形态梯度图像进行阈值变换,得到二值图像。 7. 对二值图像进行连通区域分析,得到分割结果。 8. 可以根据需要对分割结果进行后处理,如去除小区域或合并相邻区域。 以下是Matlab代码示例,演示了如何使用形态学分水岭算法进行图像分割: ```matlab % 读取图像并转换为灰度图像 image = imread('image.jpg'); grayImage = rgb2gray(image); % 计算梯度图像 gradientImage = imgradient(grayImage); % 形态学开闭操作 se = strel('disk', 5); openedImage = imopen(gradientImage, se); closedImage = imclose(openedImage, se); % 形态学重建 reconstructedImage = imreconstruct(openedImage, gradientImage); % 计算形态梯度 morphologicalGradient = gradientImage - reconstructedImage; % 阈值变换 threshold = graythresh(morphologicalGradient); binaryImage = imbinarize(morphologicalGradient, threshold); % 连通区域分析 labeledImage = bwlabel(binaryImage); segmentedRegions = regionprops(labeledImage, 'BoundingBox'); % 显示分割结果 imshow(image); hold on; for i = 1:length(segmentedRegions) rectangle('Position', segmentedRegions(i).BoundingBox, 'EdgeColor', 'r', 'LineWidth', 2); end hold off; ``` 请注意,上述代码仅为示例,实际应用中可能需要根据具体情况进行参数调整和后处理操作。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值