Opencv(二)—图像分割之分水岭算法！

做图像处理时，我们可能会遇到一个问题：我们只需要图片的一部分区域，如何把图片中的某部分区域提取出来 或者 图像想要的区域用某种颜色（与其它区域颜色不一致）标记起来 ，以上描述的问题在像处理领域称为 图像分割。

说了这么多，可能还是有读者不知所云，这里我在下面放置了一张图，就是图像分割的一个应用，图像的前后对比，可以看到 人物 通过算法被很清晰地分割了出来，方便后续物体的识别跟踪。

这篇文章给大家介绍的就是 Opencv 中的一种图像分割方法 — 分水岭算法，先介绍一下这个算法所用到的基本原理：

把图像比喻成一个平面，图像灰度值高的区域被看作山峰，灰度值低的地方被看作山谷，不同区域的山谷我们可以用不同颜色来标记，但是随着标记区域不断扩大，会出现一种现象：不同山谷的交汇处区域会出现颜色错乱现象，为了防止这一现象的出现，要做的就是把高峰变得更高(改变灰度值)，然后再用颜色标记，如此反复最后完成所所有山谷的颜色分割，以上就是 涉及分水岭算法基本原理。

说的简单一点，就是根据图像相邻的像素插值，分成不同区域；分水岭算法就是将不同区域染成不同颜色；分水岭分割算法最大的特征就是 区域的封闭性；

Opencv 包中的分水岭算法利用的不是原算法，而是在原算法基础上又改进了一下，加了一步预处理（因为原算法经常会造成图像过度分割）：在分割之前先要设置那些山谷会出现汇合，那些不会；如果我i们能够确定该点代表的是要分割的对象，那么就用某个颜色或者灰度值标签标记它，如果不是就利用另一种颜色去标记它。随后的过程就是分水岭算法。当所有山谷区域都分割完毕之后，得到的边界对象值设置为 -1；

---

本次算法用到的图片实例

·

分水岭算法的具体使用步骤：

首先利用 cv2 读取图片，把 图片转变为灰质图，然后做阈值筛选，之前提到过的Otsu ’ s 二值化 ，变成下面的二值图片（两色图），至于如何二值化的，可以参照之前写的这篇文章：；代码如下：

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


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

img1 = cv2.imread('F:/opencv_test/1.jpg')
gray2 = cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)
gray = cv2.cvtColor(gray2,cv2.COLOR_RGB2GRAY)
# Otsu ' s 二值化；
ret,thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV +cv2.THRESH_OTSU)

plt.subplot(1,3,1),
plt.imshow(gray2),
plt.title('Original')
plt.subplot(1,3,3),
plt.imshow(thresh),
plt.title("Otsu's")

现在我们的目标就转化为提取图像中上面的白色区域：这里需要记住的是 这里硬币区域的是前景，也就是里硬币中心区域越近前景的可能性越大，离硬币区域中心越远的为背景的可能性越大 ，模糊区域就是前景与背景之间的边缘区域 ；

提取硬币区域，目前比较有效的有两种操作：腐蚀 操作和 膨胀 操作，腐蚀是用来去除边缘像素，而膨胀操作是将硬币边缘区域向外延申，对于操作之后的区域我们就能确定哪个区域一定是前景( Foreground )，哪个区域一定是背景( Background ).

代码部分：

#nosing removoal迭代两次
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel,iterations = 2)

# sure background area
sure_bg = cv2.dilate(opening,kernel,iterations = 3)


dist_transform = cv2.distanceTransform(opening,1,5)
ret,sure_fg = cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0)

sure_fg = np.uint8(sure_fg)
unknow = cv2.subtract(sure_bg,sure_fg)


plt.subplot(1,3,1),
plt.imshow(sure_bg),
plt.title('Black region\n must be background')

plt.subplot(1,3,3),
plt.imshow(unknow),
plt.title('Yellos region\n must be foregroun'),

确定的背景区域减去一定确定的前景区域就是我们所要的硬币区域 ；分水岭算法在这里应用就是处理前景和背景的交界处，经过区域相减、阈值化处理之后得到肯定是硬币的区域，接下来需要我们创建标签（与源图像大小相同，数据类型为 int32 ）；

利用 cv2.connectedComponents() 把不同区域的颜色分为不同颜色，把背景标记为0（也就是代码中的unkbow区域），最后就是进行分水岭算法，把不同的区域赋予不同的颜色

#Marker labeling
ret,makers1 = cv2.connectedComponents(sure_fg)

#Add one to all labels so that sure background is not 0 but 1;
markers = makers1 +1

#Now mark the region of unknow with zero;
markers[unknow ==255] =0
markers3 = cv2.watershed(img1,markers)

上面提到，不同区域的边界，在进行分水岭分割算法之后都被赋值为 -1；把区域为 -1 的区域用红色表示，就能非常清楚地看到分界线了：

img1[markers3 == -1] =[255,0,0]

plt.subplot(1,3,1),
plt.imshow(makers1),
plt.title('makers1')
plt.subplot(1,3,2),
plt.imshow(markers3),
plt.title('markers3')
plt.subplot(1,3,3),
plt.imshow(img1),
plt.title('img1'),

最后的分割展示效果展示如下：

这篇文章算是 Opencv_python 系列的第二篇教程，文章种完整代码已经上传到了 Github 上面了，贴一下链接地址：GITHUB；

个人微信公众号：Z先生点记；专注于 python爬虫，数据分析、可视化；python图像处理方面，没事的话可以常来坐坐