推文:https://blog.csdn.net/fengye2two/article/details/79116105
代码:
# -*- coding: UTF-8 -*-
import cv2 as cv
import numpy as np
'''
基于距离的分水岭分割流程:
输入图像---->灰度(部分有噪点的图像需要去噪处理)---->二值化---->距离变换---->寻找种子---->生成Marker---->分水岭变换---->输出图像
'''
def waterShedDemo(image):
print(image.shape)
blured=cv.pyrMeanShiftFiltering(image,10,50)
gray = cv.cvtColor(blured, cv.COLOR_BGR2GRAY)
ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
cv.imshow("binaryImage", binary)
kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
close = cv.morphologyEx(binary, cv.MORPH_CLOSE, kernel) # 闭操作,填二值图像中的小空隙
cv.imshow("closeResult", close)
dist=cv.distanceTransform(close,cv.DIST_L2,3)#Opencv中distanceTransform方法用于计算图像中每一个非零点距离离自己最近的零点的距离;
# distanceTransform的第二个Mat矩阵参数dst保存了每一个点与最近的零点的距离信息,图像上越亮的点,代表了离零点的距离越远。
#根据距离变换的这个性质,经过简单的运算,用于细化字符的轮廓和查找物体质心(中心)。
distOutput=cv.normalize(dist,0,1,cv.NORM_MINMAX)#归一化:就是要把需要处理的数据经过处理后(通过某种算法)限制在你需要的一定范围内
#第三个参数:归一化的类型: NORM_MINMAX:数组的数值被平移或缩放到一个指定的范围,线性归一化,一般较常用
#NORM_INF---归一化数组的L1-范数(绝对值的和)、 NORM_L1---归一化数组的(欧几里德)L2-范数
cv.imshow("distanceOUtput",distOutput*50)#图像中最亮的地方为Marker
ret,surface=cv.threshold(dist,dist.max()*0.6,255,cv.THRESH_BINARY)
cv.imshow("surfaceImage",surface)
surfaceFg=np.uint8(surface)#种子算法会根据markers传入的轮廓作为种子(也就是所谓的注水点),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。
unknow=cv.subtract(binary,surfaceFg)
ret,markers=cv.connectedComponents(surfaceFg)
print(ret)
markers=markers+1
markers[unknow==255]=0
markers=cv.watershed(image,markers=markers)
image[markers==-1]=[0,0,255]
cv.imshow("result",image)
src=cv.imread("E:\OpenCVTests/timg (1).jpg")
cv.namedWindow("input image",cv.WINDOW_AUTOSIZE)
cv.imshow("input image",src)
waterShedDemo(src)
cv.waitKey(0)
cv.destroyAllWindows()
原图:
二值化图像:
进行闭操作后图像:为填充二值图像中的小黑缝隙
进行距离变换后的图像:图像中最亮的地方为Marker
进行waterShed运算之后结果: