今天就跟大家聊聊有关“OpenCV怎么实现分水岭算法，如何应用于图像的分割提取”的内容，可能很多人都不太了解，为了让大家认识和更进一步的了解，小编给大家总结了以下内容，希望这篇“OpenCV怎么实现分水岭算法，如何应用于图像的分割提取”文章能对大家有帮助。

目录

• 图像分割
• 分水岭算法
• waterShed函数
• 形态学分割
• distanceTransform函数
• 确定未知区域
• ConnectedComponents函数
• 实战分水岭算法

随着当今世界的发展，计算机视觉技术的应用越来越广泛。伴随着硬件设备的不断升级，构造复杂的计算机视觉应用变得越来越容易了。OpenCV像是一个黑盒，让我们专注于视觉应用的开发，而不必过多的关注基础图象处理的具体细节。

图像分割

了解分水岭算法之前，我们需要了解什么是图像的分割。

在图像的处理过程中，经常需要从图像中将前景对象作为目标图像分割或者提取出来。例如，在视频监控中，观测到的是固定背景下的视频内容，而我们对背景本身并无兴趣，感兴趣的是背景中出现的车辆，行人或者其他对象。我们希望将这些对象从视频中提取出来，而忽略那些没有对象进入背景的视频内容。

分水岭算法

图像分割是图像处理过程中一种非常重要的操作。分水岭算法将图像形象地比喻为地理学上的地形表面，实现图像分割，该算法非常有用。

下面，博主对分水岭算法的相关内容做简单的介绍。（详细可以参考冈萨雷斯的《数字图像处理》一书）

任何一副灰度图像，都可以被看作是地理学上的地形表面，灰度值越高的区域可以被看成是山峰，灰度值越低的区域可以被看成是山谷。

如果我们向每个山谷中灌注不同颜色的水。那么随着水位的不断升高，不同山谷的水就汇聚到一起。在这个过程中，为了防止不同山谷的水交汇，我们需要在水流可能汇合的地方构建堤坝。该过程将图像分为两个不同的集合：集水盆地和分水岭线。我们构建的堤坝就是分水岭线，也即对原始图像的分割。这就是分水岭算法的原理。

不过，一般的图像都存在着噪声，采用分水岭算法时，会经常得到过度分割的结果。为了改善图像分割的效果，人们提出了基于掩摸的改进的分水岭算法。改进的分水岭算法允许用户将它认为是同一个分割区域的部分标注出来。这样，分水岭算法在处理时，就会将标注的部分处理为同一个分割区域。

如果对于该理论不怎么了解，可以使用软件PowerPoint中的“删除背景”功能进行观察配合理解。

waterShed函数

在OpenCV中，可以使用函数cv2.watershed()函数实现分水岭算法。不过，具体实现的过程，还需要借助形态学函数，距离变换函数cv2.distanceTransform()，cv2.connectedComponents()来完成图像分割。

形态学分割

在使用分水岭算法之前，我们需要对图像进行简单的形态学处理。一般情况下，我们都是使用形态学中的开运算，因为开运算是先腐蚀后膨胀的操作，能够去除图像内的噪声。

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

img = cv2.imread("36.jpg")
k=np.ones((5,5),dtype=np.uint8)
e=cv2.erode(img,k)
result=cv2.subtract(img,e)

plt.subplot(131)
plt.imshow(img, cmap="gray")
plt.axis('off')

plt.subplot(132)
plt.imshow(e, cmap="gray")
plt.axis('off')

plt.subplot(133)
plt.imshow(result, cmap="gray")
plt.axis('off')
plt.show()

回顾一下，我们前面的开运算函数为cv2.erode()，这里我们首先经过开运算去除噪声。然后减法运算cv2.subtract()获取图像边界。运行之后，效果如下：

distanceTransform函数

当图像内的各个子图没有连接时，可以直接使用形态学的腐蚀操作确定前景对象，但是如果图像内的子图连接在一起时，就很难确定前景对象了。这个时候，就需要借助变换函数cv2.distanceTransform()方便地将前景对象提取出来。

cv2.distanceTransform()反应了各个像素点与背景（值为0的像素点）的距离关系。通常情况下：

• 如果前景对象的中心距离值为0的像素点距离较远，会得到一个较大的值。
• 如果前景对象的边缘距离值为0的像素点较近，会得到一个较小的值。

下面，我们来使用该函数确定一副图像的前景，并观察效果。

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

img = cv2.imread("36.jpg")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
k = np.ones((5, 5), dtype=np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, k, iterations=2)
distTransform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, fore = cv2.threshold(distTransform, 0.7 * distTransform.max(), 255, 0)

plt.subplot(131)
plt.imshow(img, cmap="gray")
plt.axis('off')

plt.subplot(132)
plt.imshow(distTransform, cmap="gray")
plt.axis('off')

plt.subplot(133)
plt.imshow(fore, cmap="gray")
plt.axis('off')
plt.show()

这里，我们使用cv2.morphologyEx函数进行开运算，同时使用cv2.distanceTransform得到距离图像，最后在通过cv2.threshold对距离图像进行阈值处理，确定前景。运行之后，效果如下：

确定未知区域

通过距离函数，我们获取到了图像的“中心”，也就是“确定前景”。为了方便后续的讲解，我们将确定前景称为F。

图像中有了确定前景F和确定背景B，剩下的区域就是未知区域UN了。这部分区域正是分水岭算法要进一步明确的区域。

针对一副图像0，通过以下关系能够得到未知区域UN：

未知区域UN=图像0-确定背景B-确定前景F

由上述公式变换得到：

未知区域UN=（图像0-确定背景B）-确定前景F

其中（图像0-确定背景B）就是我们开始的减法操作，通过形态学膨胀得到。也只需要将上面的代码添加4行并更改显示的代码内容：

bg=cv2.dilate(opening,k,iterations=3)
fore=np.uint8(fore)
un=cv2.subtract(bg,fore)

plt.subplot(221)
plt.imshow(img, cmap="gray")
plt.axis('off')

plt.subplot(222)
plt.imshow(bg, cmap="gray")
plt.axis('off')

plt.subplot(223)
plt.imshow(fore, cmap="gray")
plt.axis('off')

plt.subplot(224)
plt.imshow(un, cmap="gray")
plt.axis('off')
plt.show()

运行之后，效果如下：

左上为原图

右上为原图膨胀后得到的图像bg，其背景图像是确定背景B。前景图像是“原始图像0-确定背景B”

左下为确定前景图像fore

右下为未知区域图像UN

ConnectedComponents函数

明确了确定前景后，就可以对确定前景进行标注了。在OpenCV中，它提供了cv2.ConnectedComponents()函数进行标注。

该函数会将背景标注为0，将其他的对象使用从1开始的正整数标注。它只有一个参数8位单通道的待标注图像。

返回值有两个：retval为返回的标注数量，labels为标注的结果图像。

下面，我们来使用该函数进行标注。代码如下（同样更改上面bg下面代码就行）：

bg = cv2.dilate(opening, k, iterations=3)
fore = np.uint8(fore)
ret, markets = cv2.connectedComponents(fore)
unknown=cv2.subtract(bg,fore)
markets=markets+1
markets[unknown==255]=0

plt.subplot(131)
plt.imshow(img, cmap="gray")
plt.axis('off')

plt.subplot(132)
plt.imshow(fore, cmap="gray")
plt.axis('off')

plt.subplot(133)
plt.imshow(markets, cmap="gray")
plt.axis('off')
plt.show()

修改上面fore = np.uint8(fore)的代码，并修改输出内容。运行之后，我们会得到原图，前景图像的中心点图像fore以及标注后的结果图像markets。效果如下：

实战分水岭算法

经过前文的介绍，我们了解了使用分水岭算法进行图像分割的基本步骤：

• 通过形态学开运算对原始图像0进行去噪
• 通过腐蚀操作获取“确定背景B”。需要注意，这里得到“原始图像-确定背景”即可
• 利用距离变换函数对原始图像进行运算，并对其进行阈值处理，得到“确定前景F”
• 计算未知区域UN（UN=0-B-F）
• 利用函数cv2.connectedComponents()对原始图像0进行标注
• 对函数cv2.connectedComponents()的标注结果进行修正
• 使用分水岭函数完成图像分割
  

完整代码如下：

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

img = cv2.imread("36.jpg")
plt.subplot(121)
plt.imshow(img, cmap="gray")
plt.axis('off')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
k = np.ones((5, 5), dtype=np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, k, iterations=2)
distTransform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
ret, fore = cv2.threshold(distTransform, 0.2 * distTransform.max(), 255, 0)
bg = cv2.dilate(opening, k, iterations=3)
fore = np.uint8(fore)
ret, markets = cv2.connectedComponents(fore)
unknown = cv2.subtract(bg, fore)
markets = markets + 1
markets[unknown == 255] = 0
markets = cv2.watershed(img, markets)
img[markets == -1] = [255, 0, 0]

plt.subplot(122)
plt.imshow(img, cmap="gray")
plt.axis('off')
plt.show()

运行之后，我们就可以得到分割的图像：

当然，参数可以调整，可以看到大致的硬币被完整的分割出来了。

以上就是关于“OpenCV怎么实现分水岭算法，如何应用于图像的分割提取”的介绍了，感谢各位的阅读，如果大家想要了解更多相关的内容，欢迎关注群英网络，小编每天都会为大家更新不同的知识。

免责声明：本站发布的内容（图片、视频和文字）以原创、转载和分享为主，文章观点不代表本网站立场，如果涉及侵权请联系站长邮箱：mmqy2019@163.com进行举报，并提供相关证据，查实之后，将立刻删除涉嫌侵权内容。

猜你喜欢

• Python缺失值的判断、过滤、填充、删除怎么做

  这篇文章主要介绍了Python3 DataFrame缺失值的处理,包括缺失值的判断缺失值数据的过滤及缺失值数据的填充，本文通过示例代码给大家介绍的非常详细，对大家的学习或工作具有一定的参考借鉴价值，需要的朋友可以参考下

• Python集合set怎样创建，用来存放什么的

  Python基础-集合set,集合（set）是一个无序的不重复元素序列

• NumPy中axis参数怎么应用，哪些要点要注意

  这篇文章主要介绍了numpy 函数里面的axis参数的含义，具有很好的参考价值，希望对大家有所帮助。一起跟随小编过来看看吧

• centos安装python3过程中报错了怎么应对

  安装环境时，稍微不留神就会出现报错的情况。为了这群粗心的小伙伴，小编特意整理了解决办法，希望能够对大家有所帮助。

• Python语言中SKlearn是什么，安装及使用是怎样的

  Sklearn（全称 SciKit-Learn），是基于 Python 语言的机器学习工具包。Sklearn 主要用Python编写，建立在 Numpy、Scipy、Pandas 和 Matplotlib 的基础上，也用 Cython编写了一些核心算法来提高性能。