分水岭算法（Python+OpenCV）

最新推荐文章于 2024-08-09 09:09:38 发布

飘云之下

最新推荐文章于 2024-08-09 09:09:38 发布

阅读量1w

点赞数 15

分类专栏：随笔文章标签： OpenCV

本文链接：https://blog.csdn.net/weixin_44403952/article/details/90521553

版权

分水岭算法是一种基于灰度图像分割的算法，适用于物体与背景灰度值差异明显的场景。初始阈值选择对分割结果至关重要，OpenCV中的实现依赖于找到合适的标注矩阵。通过形态学操作和距离变换确定种子点，然后执行分水岭算法以得到物体边界。

摘要由CSDN通过智能技术生成

分水岭算法算法思想

最常用的分水岭算法是上世纪90年代提出的基于灰度图像分割的算法，分水岭算法是一种与自适应二值化有关的算法。下图给出了该方法的工作原理。假定图中的物体灰度值低，背景灰度值高。图中曲线表示沿着平面一条直线灰度分度，该线穿过了两个靠的比较近的物体。

分水岭算法往往从一个偏低但仍能正确分割各个物体的阈值开始，然后随着阈值逐渐增加上升到最佳值（接接近背景的灰度值），各个物体不会被合并。只要阈值使用的合适，在此基础上增加到一个最佳的阈值（该阈值用来判断前景和背景）也会有很好的区分效果。
我们在使用分水岭算法时，需要选择种子点（局部极小值点），可以用模板去寻找，这实际上是在确定阈值，即从该阈值开始增加（即可理解为开始从谷底注水，不断增加阈值），当阈值增加到最佳阈值时（可理解为水注满了，该确定水坝了），此时的水坝即我们需要的物体边界分割线。
从上面的分析可以看出，初始阈值（种子点）的选取对最后的分割结果影响都较大。若初始阈值选择在阈值1 处：那么低对比度的物体在一开始就会被丢失，随着阈值增加时就会和相邻的物体合并（显然不能达到好的分割效果了）。如果种子点的值选择在阈值2处，则物体1和物体2一开始就会被合并。而最终的阈值（水坝）决定了最后的边界与实际物体的吻合程度。