【学习OpenCV4】分水岭算法详解

本文分享内容来自图书《学习OpenCV 4：基于Python的算法实战》，该书内容如下：

第1章 OpenCV快速入门；
第2章 图像读写模块imgcodecs；
第3章 核心库模块core；
第4章 图像处理模块imgproc（一）；
第5章 图像处理模块imgproc（二）；
第6章 可视化模块highgui；
第7章 视频处理模块videoio；
第8章 视频分析模块video；
第9章 照片处理模块photo；
第10章 2D特征模块features2d；
第11章 相机标定与三维重建模块calib3d；
第12章 传统目标检测模块objdetect；
第13章 机器学习模块ml；
第14章 深度神经网络模块dnn

欢迎关注图书《深度学习计算机视觉实战》与《学习OpenCV4：基于Python的算法实战》。

本节讲述分水岭算法，GrabCut算法和漫水填充算法将在下面两次分享中介绍，欢迎持续关注。

在没有背景模板可用的情况下，分水岭算法首先计算强度图像的梯度（如查找轮廓），形成的线条组成了山脉或者岭，没有纹理的地方形成盆地或者山谷，然后从指定的点向盆地灌水，当图像被灌满时，所有有标记的区域就被分割开了，这就是分水岭算法的分割思想。
OpenCV中提供了分水岭算法的函数watershed，函数定义如下：

markers = watershed(image, markers)

参数说明如下：
image，输入图像，需传入8-bit 3通道图像；
markers，和输入图像大小相同的标记图像（返回值）。
本案例使用的案例代码来源于OpenCV源码中的样例，位置为“samples/cpp/watershed.cpp”，为了便于理解，对源码做了一些调整如增加中文注释。案例中使用鼠标标记分割目标（标记点即为注水点），后使用分水岭算法进行图像分割，案例代码如下：

#include <opencv2/core/utility.hpp>
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"#include <cstdio>
#include <iostream>using namespace cv;
using namespace std;//帮助说明
static void help(char** argv)
{//第一个参数传入的是输入图像，默认是fruits.jpgcout << "\nThis program demonstrates the famous watershed segmentation algorithm in OpenCV: watershed()\n""Usage:\n" << argv[0] << " [image_name -- default is fruits.jpg]\n" << endl;//操作键：鼠标左键拖动选取前景；ESC退出操作；r图像复原；w或者空格键执行操作cout << "Hot keys: \n""\tESC - quit the program\n""\tr - restore the original image\n""\tw or SPACE - run watershed segmentation algorithm\n""\t\t(before running it, *roughly* mark the areas to segment on the image)\n""\t\t(before that, roughly outline several markers on the image)\n";
}
Mat markerMask, img;
Point prevPt(-1, -1);//鼠标事件
static void onMouse(int event, int x, int y, int flags, void*)
{//图像有问题或者鼠标当前点在图像外则返回不处理if (x < 0 || x >= img.cols || y < 0 || y >= img.rows)return;//鼠标左键抬起if (event == EVENT_LBUTTONUP || !(flags & EVENT_FLAG_LBUTTON))prevPt = Point(-1, -1);//鼠标左键按下else if (event == EVENT_LBUTTONDOWN)prevPt = Point(x, y);//鼠标移动else if (event == EVENT_MOUSEMOVE && (flags & EVENT_FLAG_LBUTTON)){Point pt(x, y);if (prevPt.x < 0)prevPt = pt;//绘制标记线line(markerMask, prevPt, pt, Scalar::all(255), 5, 8, 0);line(img, prevPt, pt, Scalar::all(255), 5, 8, 0);prevPt = pt;imshow("image", img);}
}//执行主函数，程序入口
int main(int argc, char** argv)
{//参数解析cv::CommandLineParser parser(argc, argv, "{help h | | }{ @input | fruits.jpg | }");if (parser.has("help")){help(argv);return 0;}//获取输入图像文件名string filename = samples::findFile(parser.get<string>("@input"));Mat img0 = imread(filename, 1), imgGray;if (img0.empty()){cout << "Couldn't open image ";help(argv);return 0;}//创建图像窗口namedWindow("image", 1);img0.copyTo(img);cvtColor(img, markerMask, COLOR_BGR2GRAY);cvtColor(markerMask, imgGray, COLOR_GRAY2BGR);markerMask = Scalar::all(0);imshow("image", img);//鼠标事件回调函数setMouseCallback("image", onMouse, 0);for (;;){char c = (char)waitKey(0);//ESC键退出if (c == 27)break;//r键图像还原if (c == 'r'){markerMask = Scalar::all(0);img0.copyTo(img);imshow("image", img);}//w或者空格键执行算法if (c == 'w' || c == ' '){int i, j, compCount = 0;vector<vector<Point> > contours;vector<Vec4i> hierarchy;//查找轮廓findContours(markerMask, contours, hierarchy, RETR_CCOMP, CHAIN_APPROX_SIMPLE);if (contours.empty())continue;Mat markers(markerMask.size(), CV_32S);markers = Scalar::all(0);int idx = 0;//绘制轮廓for (; idx >= 0; idx = hierarchy[idx][0], compCount++)drawContours(markers, contours, idx, Scalar::all(compCount + 100), -1, 8, hierarchy, INT_MAX);if (compCount == 0)continue;vector<Vec3b> colorTab;for (i = 0; i < compCount; i++){int b = theRNG().uniform(0, 255);int g = theRNG().uniform(0, 255);int r = theRNG().uniform(0, 255);colorTab.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));}double t = (double)getTickCount();imwrite("markers.jpg", markers);//执行分水岭算法watershed(img0, markers);t = (double)getTickCount() - t;//打印处理时间printf("execution time = %gms\n", t * 1000. / getTickFrequency());Mat wshed(markers.size(), CV_8UC3);cout << wshed.at<int>(0, 0) << endl;// 绘制watershed图像，对不同分割区域着色for (i = 0; i < markers.rows; i++) {for (j = 0; j < markers.cols; j++){int index = markers.at<int>(i, j);if (index == -1)wshed.at<Vec3b>(i, j) = Vec3b(255, 255, 255);else if (index <= 0 || index > compCount)wshed.at<Vec3b>(i, j) = Vec3b(0, 0, 0);elsewshed.at<Vec3b>(i, j) = colorTab[index - 1];}}//显示分水岭算法的分割线imshow("watershed", wshed);wshed = wshed * 0.5 + imgGray * 0.5;//显示分水岭算法的结果imshow("watershed_result", wshed);}}return 0;
}

本案例使用的输入图像如图5.26所示。

图5.26
在图像中用鼠标左键标识待分割的目标，如图5.27所示。

图5.27
按下w或者空格键，执行分割算法，分割结果如图5.28所示。

图5.28
分割结果在输入图像中绘制的结果如图5.29所示。

图5.29

【学习OpenCV4】分水岭算法详解相关推荐

【强化学习】Sarsa算法详解以及用于二维空间探索【Python实现】
Sarsa算法 Sarsa算法,是基于Q-Learning算法.改动其实很小. 本文工作基于之前的Q-Learning的项目,如果有疑问可以看下面两个问题: [强化学习]Q-Learning算法详解以 ...
[联邦学习] FedAvg聚合算法详解及代码实现
该文章首发于若绾 [联邦学习] FedAvg聚合算法详解及代码实现,转载请标注出处. 论文原文:Communication-Efficient Learning of Deep Networks fr ...
【强化学习】Actor-Critic算法详解
https://morvanzhou.github.io/tutorials/machine-learning/reinforcement-learning/6-1-actor-critic/ htt ...
【强化学习】Q-Learning算法详解以及Python实现【80行代码】
强化学习在文章正式开始前,请不要被强化学习的tag给吓到了,这也是我之前所遇到的一个困扰.觉得这个东西看上去很高级,需要一个完整的时间段,做详细的学习.相反,强化学习的很多算法是很符合直观思维的. ...
OpenCV分水岭算法详解
原理分析分水岭算法主要用于图像分段,通常是把一副彩色图像灰度化,然后再求梯度图,最后在梯度图的基础上进行分水岭算法,求得分段图像的边缘线. 下面左边的灰度图,可以描述为右边的地形图,地形的高度是由灰 ...
OpenCV学习(21) Grabcut算法详解
grab cut算法是graph cut算法的改进.在理解grab cut算之前,应该学习一下graph cut算法的概念及实现方式. 我搜集了一些graph cut资料:http://yunpan. ...
【强化学习】Q-Learning算法详解
1 Q-Learning算法简介 1.1 行为准则我们做很多事情都有自己的行为准则,比如小时候爸妈常说:不写完作业就不准看电视.所以我们在写作业这种状态下,写的好的行为就是继续写作业,知道写完他,我 ...
【python教程入门学习】线性回归算法详解
本节我们会认识第一个机器学习算法 -- 线性回归算法(Linear Regression),它是机器学习算法中较为简单,且容易理解的算法模型,你可以把它看做您的第一个"Hello World ...
离线强化学习(Offline RL)系列3: (算法篇) IQL(Implicit Q-learning)算法详解与实现
[更新记录] 论文信息:Ilya Kostrikov, Ashvin Nair, Sergey Levine: "Offline Reinforcement Learning with Im ...

【学习OpenCV4】分水岭算法详解

【学习OpenCV4】分水岭算法详解相关推荐

最新文章

热门文章