基于标记的分水岭分割算法
2024-05-30 23:23:26
分水岭技术是一种众所周知的分割算法，特别适用于提取图片中的相邻或重叠对象。使用分水岭方法时，我们必须从用户定义的标记开始。这些标记可以使用点击手动定义，也可以使用阈值或形态学处理方法定义。
分水岭技术将输入图像中的像素视为基于这些标记的局部极小值(称为地形)——该方法从标记向外“淹没”山谷，直到各种标记的山谷相遇。为了产生准确的分水岭分割，必须准确地设置标记。
我们使用一种基于OpenCV标记的分水岭技术来指定哪些谷点应该合并，哪些不应该合并。它是一种交互式图像分割，而不是自动图像分割。
1. 原理
任何灰度图像都可以看作是一个地形表面，高峰代表高强度，山谷代表低强度。首先，用各种颜色的水(标签)填充孤立的山谷(局部极小值)。来自不同山谷的河流，颜色明显不同，随着水位上升，根据相邻的山峰(梯度)开始融合。为了避免这种情况，在水与水相遇的地方建造了屏障。你不断注水，设置障碍，直到所有的山峰都被淹没，分割结果由创建的障碍决定。
然而，由于图像中存在噪声或其他异常，该方法会产生过分割的结果。因此，OpenCV创建了一个基于标记的分水岭方法，允许您选择哪些谷点应该合并，哪些不应该合并。它是一种交互式图像分割方法。我们所做的就是给每一个前景物体区域贴上不同的标签，我们不确定的区域是标签记为0。然后，使用分水岭算法。获得的结果中，对象的边界值将为-1。
2 代码实现
2.1 利用OpenCV和c++实现分水岭算法
#include <iostream>
#include <opencv2/imgcodecs.hpp>
#include <opencv2/highgui.hpp>
#include <opencv2/imgproc.hpp>
#include <vector>void showImg(const std::string& windowName,const cv::Mat& img){cv::imshow(windowName,img);
}void getBackground(const cv::Mat& source,cv::Mat& dst) {cv::dilate(source,dst,cv::Mat::ones(3,3,CV_8U)); //Kernel 3x3
} void getForeground(const cv::Mat& source,cv::Mat& dst) {cv::distanceTransform(source,dst,cv::DIST_L2,3,CV_32F);cv::normalize(dst, dst, 0, 1, cv::NORM_MINMAX);
}void findMarker(const cv::Mat& sureBg,cv::Mat& markers,std::vector<std::vector<cv::Point>>& contours)
{cv::findContours(sureBg,contours,cv::RETR_EXTERNAL,cv::CHAIN_APPROX_SIMPLE);// Draw the foreground markersfor (size_t i = 0,size = contours.size(); i < size; i++)drawContours(markers, contours, static_cast<int>(i),cv::Scalar(static_cast<int>(i)+1), -1);
}void getRandomColor(std::vector<cv::Vec3b>& colors,size_t size)
{for (int i = 0; i < size ; ++i){int b = cv::theRNG().uniform(0, 256);int g = cv::theRNG().uniform(0, 256);int r = cv::theRNG().uniform(0, 256);colors.emplace_back(cv::Vec3b((uchar)b, (uchar)g, (uchar)r));}
}int main (int argc,char** argv) {// 读取图片if(argc < 2){std::cerr << "Error\n";std::cerr << "Provide Input Image:\n<program> <inputimage>\n";return -1;}cv::Mat original_img = cv::imread(argv[1]);if(original_img.empty()){std::cerr << "Error\n";std::cerr << "Cannot Read Image\n";return -1;}
// 去除图像中的噪声， 均值偏移模糊（MeanShift）是一种图像边缘保留滤波算法，常用于图像分水岭分割前的去噪，可显着提高分水岭分割效果。cv::Mat shifted;cv::pyrMeanShiftFiltering(original_img,shifted,21,51);showImg("Mean Shifted",shifted);
// 将原始图像转换为灰度和二值图像cv::Mat gray_img;cv::cvtColor(original_img,gray_img,cv::COLOR_BGR2GRAY);showImg("GrayIMg",gray_img);cv::Mat bin_img;cv::threshold(gray_img,bin_img,0,255,cv::THRESH_BINARY | cv::THRESH_OTSU);showImg("thres img",bin_img);
// 寻找确定的背景图像， 在这一步中，我们找到图像中的背景区域。cv::Mat sure_bg;getBackground(bin_img,sure_bg);showImg("Sure Background",sure_bg);
// 找到确定前景的图像， 对于图像的前景，我们采用距离变换算法cv::Mat sure_fg;getForeground(bin_img,sure_fg);showImg("Sure ForeGround",sure_fg);
// 找到标记，在应用分水岭算法之前，我们需要标记。为此，我们将使用opencv中提供的findContour()函数来查找图像中的标记。cv::Mat markers = cv::Mat::zeros(sure_bg.size(),CV_32S);std::vector<std::vector<cv::Point>> contours;findMarker(sure_bg,markers,contours);cv::circle(markers, cv::Point(5, 5), 3, cv::Scalar(255), -1); //Drawing Circle around the marker
// 应用分水岭算法cv::watershed(original_img,markers);cv::Mat mark;markers.convertTo(mark, CV_8U);cv::bitwise_not(mark, mark); //黑变白，白变黑showImg("MARKER",mark);
//高亮显示图像中的标记std::vector<cv::Vec3b> colors;getRandomColor(colors,contours.size());//构建结果图像cv::Mat dst = cv::Mat::zeros(markers.size(), CV_8UC3);// 用随机的颜色填充已标记的物体for (int i = 0; i < markers.rows; i++){for (int j = 0; j < markers.cols; j++){int index = markers.at<int>(i,j);if (index > 0 && index <= static_cast<int>(contours.size()))dst.at<cv::Vec3b>(i,j) = colors[index-1];}}showImg("Final Result",dst);cv::waitKey(0);return 0;
}
结果展示：
2.2 Python实现分水岭分割（1）
import cv2 as cv
import numpy as np
import argparse
import random as rng
rng.seed(12345)
parser = argparse.ArgumentParser(description='Code for Image Segmentation with Distance Transform and Watershed Algorithm.\Sample code showing how to segment overlapping objects using Laplacian filtering, \in addition to Watershed and Distance Transformation')
parser.add_argument('--input', help='Path to input image.', default='HFOUG.jpg')
args = parser.parse_args()
src = cv.imread(cv.samples.findFile(args.input))
if src is None:print('Could not open or find the image:', args.input)exit(0)
# Show source image
cv.imshow('Source Image', src)
cv.waitKey()gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(gray, 0, 255, cv.THRESH_BINARY + cv.THRESH_OTSU)
# noise removal
kernel = np.ones((5, 5), np.uint8)
opening = cv.morphologyEx(thresh, cv.MORPH_OPEN, kernel, iterations=2)# 获取背景图
sure_bg = opening.copy() # 背景
# Show output image
cv.imshow('Black Background Image', sure_bg) # 黑色是背景
cv.waitKey()# 获取前景图
dist = cv.distanceTransform(opening, cv.DIST_L2, 3)
# Normalize the distance image for range = {0.0, 1.0}
# so we can visualize and threshold it
cv.normalize(dist, dist, 0, 1.0, cv.NORM_MINMAX)
cv.imshow('Distance Transform Image', dist)
_, dist = cv.threshold(dist, 0.2, 1.0, cv.THRESH_BINARY)
# Dilate a bit the dist image
kernel1 = np.ones((3, 3), dtype=np.uint8)
dist = cv.dilate(dist, kernel1)
cv.imshow('Peaks', dist)# 构建初始markers
dist_8u = dist.astype('uint8')
# Find total markers
contours, _ = cv.findContours(dist_8u, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
# 创建即将应用分水岭算法的标记图像
markers = np.zeros(dist.shape, dtype=np.int32)
# 标记前景
for i in range(len(contours)):cv.drawContours(markers, contours, i, (i + 1), -1) # 轮廓标记从1开始
# 标记背景
cv.circle(markers, (5, 5), 3, 255, -1) # 此处背景标记为255
print("before watershed: ", np.unique(markers)) # 0表示不确定标记区域
# 可视化markers
markers_8u = (markers * 10).astype('uint8')
cv.imshow('Markers', markers_8u)
cv.waitKey()# 应用分水岭分割算法
markers = cv.watershed(src, markers)
print("after watershed: ", np.unique(markers)) # -1表示边界# mark = np.zeros(markers.shape, dtype=np.uint8)
mark = markers.astype('uint8')
mark = cv.bitwise_not(mark)
# uncomment this if you want to see how the mark
# image looks like at that point
# cv.imshow('Markers_v2', mark)
# Generate random colors
colors = []
for contour in contours:colors.append((rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256)))
# Create the result image
dst = np.zeros((markers.shape[0], markers.shape[1], 3), dtype=np.uint8)
# Fill labeled objects with random colors
for i in range(markers.shape[0]):for j in range(markers.shape[1]):index = markers[i, j]if index > 0 and index <= len(contours): # -1表示边界， 255表示背景dst[i, j, :] = colors[index - 1]
# Visualize the final image
cv.imshow('Final Result', dst)
cv.waitKey()
结果展示：
2.3 Python实现分水岭分割（2）
import cv2 as cv
import numpy as np
import argparse
import random as rng
def process_img2(img):img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)img_gray = cv2.GaussianBlur(img_gray, (5, 5), 0.1)img_gray = cv2.medianBlur(img_gray, 5)_, image_binary = cv2.threshold(img_gray, 0, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)kernel = np.ones((7, 7), np.uint8)# sure_bg = cv.morphologyEx(image_binary, cv.MORPH_CLOSE, kernel, iterations=3)sure_bg = cv.dilate(image_binary, kernel, iterations=2)sure_bg = cv.bitwise_not(sure_bg)element = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3, 3))image_binary = cv2.morphologyEx(image_binary, cv2.MORPH_OPEN, element)imageSC = cv2.distanceTransform(image_binary, cv2.DIST_L2, 5)imageSC = imageSC.astype(np.uint8)imageSC = cv2.normalize(imageSC, 0, 255, cv2.NORM_MINMAX)_, imageSC = cv2.threshold(imageSC, 0, 255, cv2.THRESH_OTSU + cv2.THRESH_BINARY)return imageSC, sure_bgrng.seed(12345)
imgPath = "HFOUG.jpg"
src = cv.imread(imgPath)
shifted = cv2.pyrMeanShiftFiltering(src, 7, 15)
if src is None:print('Could not open or find the image:')# print('Could not open or find the image:', args.input)exit(0)
# Show source image
cv.imshow('Source Image', src)
cv.waitKey()
opening, sure_bg = process_img2(shifted)
# Show output image
cv.imshow('Background Image', sure_bg) # 背景
cv.waitKey()# 获取前景图
dist = cv.distanceTransform(opening, cv.DIST_L2, 3)
# Normalize the distance image for range = {0.0, 1.0}
# so we can visualize and threshold it
cv.normalize(dist, dist, 0, 1.0, cv.NORM_MINMAX)
cv.imshow('Distance Transform Image', dist)
_, dist = cv.threshold(dist, 0.3, 1.0, cv.THRESH_BINARY)
# Dilate a bit the dist image
kernel1 = np.ones((3, 3), dtype=np.uint8)
dist = cv.dilate(dist, kernel1)
cv.imshow('Peaks', dist)# 构建初始markers
dist_8u = dist.astype('uint8')
# Find total markers
contours, _ = cv.findContours(dist_8u, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
# 创建即将应用分水岭算法的标记图像
# markers = np.zeros(dist.shape, dtype=np.int32)
markers = sure_bg.copy().astype(np.int32)
# 标记前景
for i in range(len(contours)):cv.drawContours(markers, contours, i, (i + 1), -1) # 轮廓标记从1开始
# 标记背景
# cv.circle(markers, (5, 5), 3, 255, -1) # 此处背景标记为255
# 可视化markersprint("before watershed: ", np.unique(markers)) # 0表示不确定标记区域
markers_8u = (markers * 10).astype('uint8')
cv.imshow('Markers', markers_8u)# 应用分水岭分割算法
markers = cv.watershed(src, markers)print("after watershed: ", np.unique(markers)) # -1表示边界# mark = np.zeros(markers.shape, dtype=np.uint8)
mark = markers.astype('uint8')
mark = cv.bitwise_not(mark)cv.imshow('Markers_v2', mark)
# Generate random colors
colors = []
for contour in contours:colors.append((rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256)))
# Create the result image
dst = np.zeros((markers.shape[0], markers.shape[1], 3), dtype=np.uint8)
# Fill labeled objects with random colors
for i in range(markers.shape[0]):for j in range(markers.shape[1]):index = markers[i, j]if index > 0 and index <= len(contours): # -1表示边界， 255表示背景dst[i, j, :] = colors[index - 1]
# Visualize the final image
cv.imshow('Final Result', dst)
cv.waitKey(0)
cv2.destroyAllWindows()
结果展示：
参考目录
https://anothertechs.com/programming/cpp/opencv/opencv-watershed/
基于标记的分水岭分割算法相关推荐
- 基于matlab山脊线,基于Matlab的标记分水岭分割算法
lyqmath 1 综述 Separating touching objects in an image is one of the more difficult image processing o ...
- 基于Matlab的标记分水岭分割算法(imreconstruct)
1 综述 Separating touching objects in an image is one of the more difficult image processing operation ...
- matlab迭代分水岭分割,matlab分水岭分割算法
single [-1, 1] double 17-17 17-17 Normalized Difference Vegetation Index NDVI with Threshold Applied ...
- OpenCV watershed分水岭分割算法的实例(附完整代码)
OpenCV watershed分水岭分割算法的实例 OpenCV watershed分水岭分割算法的实例 OpenCV watershed分水岭分割算法的实例 #include <opencv ...
- VIPS:基于视觉的页面分割算法[微软下一代搜索引擎核心分页算法]
VIPS:基于视觉的页面分割算法[微软下一代搜索引擎核心分页算法] VIPS:基于视觉的页面分割算法[微软下一代搜索引擎核心分页算法] - tingya的专栏 - 博客频道 - CSDN.NET VI ...
- OpenCV分水岭分割算法2
分水岭算法是用于分割的经典算法,在提取图像中粘连或重叠的对象时特别有用,例如上图中的硬币. 使用传统的图像处理方法,如阈值和轮廓检测,我们将无法从图像中提取每一个硬币,但通过利用分水岭算法,我们能够检 ...
- 基于最小割的分割算法（Min-Cut Based Segmentation）
参考: https://www.cnblogs.com/ironstark/p/5008258.html https://github.com/Ewenwan/MVision/blob/master/ ...
- 图像分割之分水岭分割算法
基本思想 分水岭(watershed)是地形学中的一个经典概念,例如美国落基山脉分水岭,将美国分为两个区域,落在这个分水岭一边的雨滴,最终会到达大西洋,但是落在另一边的雨滴,最终回流到太平洋.为了提取 ...
- 图像处理实例--基于分水岭分割进行肺癌判断
实例背景 为了帮助医生减少重复性工作,对肺部CT图像进行计算机辅助检测的技术被广泛应用于肺癌的诊断和治疗过程中.而图像处理是应用在,对CT图像中医生所关注的区域进行精确的分割和定位.因此需要选择一种合 ...
最新文章
- 认识一下Kotlin语言，Android平台的Swift
- urtracker 项目管理工具
- python treemap_使用TreeMap
- Python全栈开发之Day02
- C语言读取文件大量数据到数组
- Factory Method (工厂方法)
- labelImg安装小记
- ap 目标检测算法map_目标检测算法介绍
- 自来水供水收费管理系统
- USACO3.4.3 Raucous Rockers (rockers)
- java 数据抓取 动态获得cookies里变动的属性_Java爬取CSDN博客遇到setCookie问题
- 【Photoshop】批量修改图片分辨率
- html5s做表单,5S推行手册表单.doc
- Conda更新或安装包时出现Verifying transaction: failed+SetupToolsRemoveError
- python爬高德地图_【爬虫】Java关于高德地图爬取数据
- centos7下显卡型号查询
- 电脑发出很大的嗡嗡声_跟踪嗡嗡声的十大方法
- 分享13：2021元旦之《白夜行》
- 【操作系统】本地ping出现一般故障解决方案
- Could not transfer artifact (https://repo.maven.apache.org/maven2): Received fatal alert: protocol_v