1、功能描述2、代码实现3、完整代码4、效果展示5、涉及到的库函数5.1、cv2.pyrMeanShiftFiltering5.2、cv2.morphologyEx5.3、cv2.distanceTransform5.4、cv2.normalize5.5、cv2.watershed

6、参考

Algorithm是一种基于拓扑理论的数学形态学的分割方法广泛应用于数学、图像学和电子信息学领域。

一、算法原理

分水岭分割算法的基本思想是把图像看作是测地学上的拓扑地貌图像中每一点像素的灰度值表示该点的海拔高度每一个局部极小值及其影响区域称为集水盆而集水盆的边界则形成分水岭。

分水岭的概念和形成可以通过模拟浸入过程来说明在每一个局部极小值表面刺穿一个小孔然后把整个模型慢慢浸入水中随着浸入的加深每一个局部极小值的影响域慢慢向外扩展在两个集水盆汇合处构筑大坝即形成分水岭。

二、算法步骤

分水岭算法的计算过程是一个迭代标注过程主要包括排序和淹没两个步骤。

排序对每个像素的灰度级进行从低到高排序。

淹没在从低到高实现淹没过程中对每一个局部极小值在h阶高度的影响域采用先进先出FIFO结构进行判断及标注。

分水岭变换得到的是输入图像的集水盆图像集水盆之间的边界点即为分水岭。

三、应用场景

医学图像分析用于分割MRI或CT图像中的不同结构如肿瘤、器官等。

纹理分割将图像分割成纹理块从而识别材质。

物体检测分割图像中的物体从而实现目标检测。

四、优缺点及改进方法

分水岭算法对微弱边缘具有良好的响应是得到封闭连续边缘的保证。

分水岭算法所得到的封闭的集水盆为分析图像的区域特征提供了可能。

常规的分水岭算法由于图像上噪声和图局部不连续原因常常表现出过度分割。

改进方法

利用先验知识去除无关边缘信息。

修改梯度函数使得集水盆只响应想要探测的目标。

对梯度图像进行阈值处理以消除灰度的微小变化产生的过度分割。

五、示例

函数实现。

该函数基于图像中的灰度级和边缘来构建一组标记将图像分割成不同的区域或物体。

虽然需要手动标记辅助但其效果显著。

综上所述分水岭分割算法是一种有效的图像分割方法但需要注意其过度分割的问题并采取相应的改进方法以提高分割效果。

2、代码实现

cv.COLOR_BGR2GRAY)cv.imwrite(img_gray.jpg,

img_gray)#

0.1)cv.imwrite(GaussianBlur.jpg,

img_gray)#

cv.THRESH_BINARY)cv.imwrite(image_binary.jpg,

image_binary)#

iterations2)cv.imwrite(sure_bg.jpg,

sure_bg)#

cv.bitwise_not(sure_bg)cv.imwrite(bitwise_not_sure_bg.jpg,

sure_bg)#

cv.getStructuringElement(cv.MORPH_ELLIPSE,

(3,

element)cv.imwrite(morphologyEx_image_binary.jpg,

image_binary)#

cv.distanceTransform(image_binary,

cv.DIST_L2,

imageSC.astype(np.uint8)cv.imwrite(imageSC.jpg,

imageSC)#

cv.NORM_MINMAX)cv.imwrite(imageSC_normalize.jpg,

imageSC

cv.THRESH_BINARY)cv.imwrite(imageSC_threshold.jpg,

imageSC)return

bitwise_not_sure_bg.jpg前景变成了背景作为

process_img2

二值化归一化后的结果imageSC_threshold.jpg作为

process_img2

sure_bg.copy().astype(np.int32)#

标记前景

range(len(contours)):cv.drawContours(markers,

contours,

cv.imwrite(mark-bitwise_not.jpg,

mark)

contours:colors.append((rng.randint(0,

256),

cv.COLOR_BGR2GRAY)cv.imwrite(img_gray.jpg,

img_gray)#

0.1)cv.imwrite(GaussianBlur.jpg,

img_gray)#

cv.THRESH_BINARY)cv.imwrite(image_binary.jpg,

image_binary)#

iterations2)cv.imwrite(sure_bg.jpg,

sure_bg)#

cv.bitwise_not(sure_bg)cv.imwrite(bitwise_not_sure_bg.jpg,

sure_bg)#

cv.getStructuringElement(cv.MORPH_ELLIPSE,

(3,

element)cv.imwrite(morphologyEx_image_binary.jpg,

image_binary)#

cv.distanceTransform(image_binary,

cv.DIST_L2,

imageSC.astype(np.uint8)cv.imwrite(imageSC.jpg,

imageSC)cv.imwrite(imageSC255.jpg,

imageSC*255)#

cv.NORM_MINMAX)cv.imwrite(imageSC_normalize.jpg,

imageSC)cv.imwrite(imageSC_normalize255.jpg,

imageSC*255)#

cv.THRESH_BINARY)cv.imwrite(imageSC_threshold.jpg,

imageSC*255)return

sure_bg.copy().astype(np.int32)#

标记前景

range(len(contours)):cv.drawContours(markers,

contours,

cv.imwrite(mark-bitwise_not.jpg,

mark)

contours:colors.append((rng.randint(0,

256),

cv.destroyAllWindows()实现二感觉这套前处理少一些

import

argparse.ArgumentParser(descriptionCode

for

cv.imread(cv.samples.findFile(args.input))

src

range(len(contours)):cv.drawContours(markers,

contours,

contours:colors.append((rng.randint(0,

256),

Shift算法并通过图像金字塔的方式来实现。

这种滤波方法对于去除图像中的噪声和细节纹理非常有效同时能够保留图像的边缘信息。

一、函数原型

空间窗口的半径它决定了在进行均值漂移计算时考虑的邻域大小。

sr:

颜色窗口的半径它决定了在颜色空间中考虑的邻域大小。

maxLevel:

1表示只处理原始图像不进行金字塔分解。

增加层数可以在更粗的尺度上进行滤波但计算量也会增加。

termcrit:

迭代过程的终止条件。

它是一个元组包含三个元素终止条件的类型、最大迭代次数和所需满足的精度。

默认值是

1)意味着迭代将在达到最大迭代次数

cv2.pyrMeanShiftFiltering(image,

None,

cv2.destroyAllWindows()在这个例子中我们读取了一张名为

example.jpg

函数在计算上可能比较耗时特别是对于大图像和较大的窗口半径。

正确地选择空间窗口和颜色窗口的半径对于获得良好的滤波效果至关重要。

滤波后的图像可能会看起来更加平滑但一些细节信息可能会丢失。

5.2、cv2.morphologyEx

中用于执行形态学变换的函数。

形态学变换是一种基于图像形状的图像处理技术可以用于提取图像中的特定结构或特征如边界、骨架、凸包等。

这些变换基于图像的集合表示通过定义一些基本的操作如腐蚀、膨胀、开运算、闭运算等来实现对图像的处理。

一、函数原型

腐蚀操作使图像中的白**域缩小黑**域扩大。

cv2.MORPH_DILATE:

膨胀操作使图像中的白**域扩大黑**域缩小。

cv2.MORPH_OPEN:

开运算先进行腐蚀再进行膨胀可以去除图像中的小物体或噪声。

cv2.MORPH_CLOSE:

闭运算先进行膨胀再进行腐蚀可以填充图像中的小孔或连接邻近的物体。

cv2.MORPH_GRADIENT:

形态学梯度表示膨胀图像与腐蚀图像之差用于突出图像中的边缘。

cv2.MORPH_TOPHAT:

顶帽变换原图像减去膨胀后的图像用于分离比邻近点亮一些的斑点。

cv2.MORPH_BLACKHAT:

黑帽变换膨胀后的图像减去原图像用于分离比邻近点暗一些的斑点。

cv2.MORPH_HITMISS:

kernel:

形态学变换的核通常是一个矩形、椭圆或十字形的小矩阵。

核的大小和形状会影响变换的效果。

dst:

输出图像如果未指定则函数会创建一个新的输出图像。

anchor:

核的锚点默认是核的中心。

锚点决定了核在图像上移动时的参考点。

iterations:

cv2.BORDER_CONSTANT。

borderValue:

cv2.BORDER_CONSTANT

cv2.destroyAllWindows()在这个例子中我们读取了一张名为

example.png

形态学变换的效果取决于核的大小和形状以及变换的类型。

腐蚀操作会使图像中的白**域缩小而膨胀操作会使白**域扩大。

开运算和闭运算是腐蚀和膨胀的组合操作可以用于去除小物体、填充小孔或连接邻近物体。

在使用形态学变换时需要注意选择合适的核大小和形状以及变换的次数以获得最佳的处理效果。

OpenCV

库中的一个函数用于计算图像中每个非零像素点到其最近的零像素点的距离。

这个函数在处理二值图像时特别有用尤其是在图像分割、形态学操作以及目标检测等任务中。

一、函数原型

输入的8位二值图像通常为单通道图像。

非零像素被视为前景对象而零像素被视为背景。

distanceType:

cv2.DIST_L1:

距离变换掩码的大小必须是正奇数。

默认值为5。

掩码越大计算出的距离越精确但计算成本也越高。

二、返回值

该函数返回一个与输入图像大小相同的图像但数据类型为32位浮点数。

图像中的每个像素值代表了该像素点到最近的零像素点的距离。

三、使用示例

0.]]在这个示例中我们首先创建了一个10x10的二值图像其中中心有一个4x4的白色方块。

然后我们对这个图像应用了距离变换并打印出结果。

结果图像中的每个像素值代表了该像素点到最近的零像素即背景的距离。

四、应用场景

图像分割在图像分割任务中可以通过距离变换来确定前景和背景之间的边界。

形态学操作距离变换可以用于形态学梯度、膨胀和腐蚀等高级形态学操作的基础。

目标检测在目标检测中距离变换可以帮助识别目标物体的轮廓和形状。

5.4、cv2.normalize

库中的一个函数用于对数组通常是图像进行归一化处理。

归一化是指将数据按比例缩放使之落入一个小的特定区间通常是[0,

1]或[-1,

1]。

这种处理对于图像预处理、特征提取和比较等任务非常重要因为它可以帮助改善算法的收敛速度和性能或者满足某些特定算法对数据范围的要求。

一、基本语法

输入数组图像可以是任意深度的但通常是8位或32位浮点数。

dst:

输出数组与输入数组具有相同的形状和深度。

如果为None则函数会创建一个具有适当大小和类型的数组。

alpha:

归一化后的范围下限通常用于NORM_MINMAX和NORM_INF类型。

对于NORM_MINMAX这个值表示归一化后的最小值。

beta:

归一化后的范围上限同样用于NORM_MINMAX和NORM_INF类型。

对于NORM_MINMAX这个值表示归一化后的最大值。

norm_type:

cv2.NORM_MINMAX将数组缩放到指定范围、cv2.NORM_L2L2范数归一化等。

dtype:

输出数组的可选深度。

当参数为负值时如-1输出数组与输入数组具有相同的深度。

mask:

可选的操作掩码用于指定哪些元素需要被归一化。

掩码应该是与输入数组形状相同的单通道数组其中非零元素表示对应的输入元素需要被处理。

三、使用示例

0.99999994]]在这个例子中我们将一个二维数组模拟一个简单的图像进行了归一化处理将其值缩放到[0,

5.5、cv2.watershed

是OpenCV库中用于图像分割的一个函数它实现了基于标记的分水岭算法。

分水岭算法是一种图像分割技术特别适用于从图像中分离出触摸或重叠的对象。

一、函数原型

markersimage输入图像应该是8位或浮点类型的三通道图像。

markers输入/输出标记数组应该是32位单通道图像。

在输入时标记数组应该包含已知的前景和背景标记。

在输出时函数将修改这个数组为每个分割的区域分配不同的标签并将边界区域标记为-1。

二、使用步骤

cv2.threshold或边缘检测如Canny边缘检测来生成二值图像。

2、确定前景和背景标记

使用形态学操作如膨胀和腐蚀来增强或修正边缘。

查找二值图像中的连通组件使用

cv2.findContours并为每个组件分配一个唯一的标记。

将背景标记为0前景标记为正整数。

3、应用分水岭算法

函数传入预处理后的图像和标记数组。

函数将修改标记数组为每个分割的区域分配不同的标签。

4、分析结果

查看修改后的标记数组了解哪些像素被分配到了哪些区域。

使用这些信息在原图上绘制分割边界或进行其他分析。

三、注意事项

分水岭算法的效果很大程度上依赖于预处理步骤和标记的正确性。

过度分割是一个常见问题可以通过调整预处理步骤的参数或结合其他分割技术来减轻。

在使用分水岭算法之前通常需要确保图像中的对象之间有清晰的边界或分隔。

四、示例代码

cv2.destroyAllWindows()请注意上述示例代码是一个简单的演示实际应用中可能需要根据具体情况进行调整和优化。

6、参考

基于标记的分水岭分割算法https://anothertechs.com/programming/cpp/opencv/opencv-watershed/