OpenCV基于分水嶺算法的圖像分割怎么實現(xiàn)

本文小編為大家詳細(xì)介紹“OpenCV基于分水嶺算法的圖像分割怎么實現(xiàn)”，內(nèi)容詳細(xì)，步驟清晰，細(xì)節(jié)處理妥當(dāng)，希望這篇“OpenCV基于分水嶺算法的圖像分割怎么實現(xiàn)”文章能幫助大家解決疑惑，下面跟著小編的思路慢慢深入，一起來學(xué)習(xí)新知識吧。

1. 分水嶺算法

分水嶺分割可以通過使用 cv::watershed 函數(shù)實現(xiàn)，函數(shù)的輸入是一個 32 位有符號整數(shù)標(biāo)記圖像，其中每個非零像素表示一個標(biāo)簽。通過標(biāo)記圖像中已知屬于給定區(qū)域的一些像素，利用初始標(biāo)記，分水嶺算法可以確定其他像素所屬的區(qū)域。

(1) 首先，將標(biāo)記圖像讀取為灰度圖像，然后將其轉(zhuǎn)換為整數(shù)類型：

class WatershedSegmentater {
    private:
        cv::Mat markers;
    public:
        void setMarkers(const cv::Mat& markerImage) {
            // 轉(zhuǎn)換數(shù)據(jù)類型
            markerImage.convertTo(markers, CV_32S);
        }
        cv::Mat process(const cv::Mat& image) {
            // 應(yīng)用分水嶺算法
            cv::watershed(image, markers);
            return markers;
        }

有多種獲取標(biāo)記的方式，例如，使用預(yù)處理步驟識別出屬于感興趣對象的某些像素，然后利用分水嶺算法根據(jù)初始標(biāo)記分割完整的對象。在本節(jié)中，我們將使用二值圖像來識別相應(yīng)原始圖像中的動物。因此，從二值圖像中，我們需要識別屬于前景(動物)的像素和屬于背景(主要是雪地)的像素，我們用標(biāo)簽 255 標(biāo)記前景像素，用標(biāo)簽 128 標(biāo)記背景像素，其他像素則標(biāo)記為 0。

(2) 初始二值圖像包含過多屬于圖像各個部分的白色像素，為了只保留屬于重要對象的像素，我們首先需要腐蝕該圖像：

// 消除噪音
cv::Mat fg;
cv::erode(binary, fg, cv::Mat(), cv::Point(-1, -1), 4);

結(jié)果如下圖所示：

(3) 圖中仍然存在一些屬于背景(雪地)的像素，我們通過對原始二值圖像進(jìn)行膨脹來選擇幾個屬于背景的像素：

// 標(biāo)記圖像像素
cv::Mat bg;
cv::dilate(binary, bg, cv::Mat(), cv::Point(-1, -1), 4);
cv::threshold(bg, bg, 1, 128, cv::THRESH_BINARY_INV);

結(jié)果如下圖所示，黑色像素對應(yīng)于背景像素：

(4) 將這些圖像組合起來形成標(biāo)記圖像：

cv::Mat markers(binary.size(), CV_8U, cv::Scalar(0));
markers = fg+bg;

我們使用重載的 + 運算符來組合圖像，得到用作分水嶺算法的輸入：

(5) 在這個輸入圖像中，白色區(qū)域?qū)儆谇熬皩ο螅疑珔^(qū)域是背景的一部分，黑色區(qū)域則屬于未知標(biāo)簽，得到分割結(jié)果如下：

// 創(chuàng)建分水嶺分割對象
WatershedSegmentater segmenter;
segmenter.setMarkers(markers);
segmenter.process(image);

更新標(biāo)記圖像，以便為黑色區(qū)域中的像素重新分配標(biāo)簽，而屬于邊界的像素的值為 -1。結(jié)果標(biāo)簽圖像如下：

圖像中對象邊緣的可視化結(jié)果如下圖所示：

2. 分水嶺算法直觀理解

我們使用拓?fù)鋱D進(jìn)行類比，為了創(chuàng)建分水嶺分割，我們從級別 0 開始注水，隨著水位逐漸增加，就形成了集水盆地。這些盆地的大小也會逐漸增加，兩個不同盆地的水最終會匯合，發(fā)生這種情況時，會創(chuàng)建一個分水嶺，以將兩個盆地分開。一旦水位達(dá)到最高水位，這些水域和分水嶺就形成了分水嶺分割。

在注水過程中最初會產(chǎn)生許多小盆地，當(dāng)這些盆地進(jìn)行合并時，會創(chuàng)建許多分水嶺線，從而導(dǎo)致圖像被過度分割。為了克服這個問題，已經(jīng)提出了多種改進(jìn)算法，在 OpenCV 調(diào)用 cv::watershed 函數(shù)時，注水過程從一組預(yù)定義的標(biāo)記像素開始，根據(jù)分配給初始標(biāo)記的值對盆地進(jìn)行標(biāo)記，當(dāng)具有相同標(biāo)簽的兩個盆地合并時，不會創(chuàng)建分水嶺，從而防止過度分割，更新輸入標(biāo)記圖像以獲得最終的分水嶺分割。用戶可以輸入帶有任意數(shù)量的標(biāo)簽和未知標(biāo)簽的標(biāo)記圖像，標(biāo)記圖像的像素類型為為 32 位有符號整數(shù)，以便能夠定義超過 255 個標(biāo)簽。cv::watershed 函數(shù)還允許返回與分水嶺關(guān)聯(lián)的像素(使用特殊值 -1 進(jìn)行標(biāo)記)。

為了便于顯示結(jié)果，我們引入兩種特殊的方法。第一個方法 getSegmentation() 通過閾值返回標(biāo)簽圖像，分水嶺值為 0：

// 返回結(jié)果
cv::Mat getSegmentation() {
    cv::Mat tmp;
    markers.convertTo(tmp, CV_8U);
    return tmp;
}

第二種方法 getWatersheds() 返回的圖像中，分水嶺線使用值 0 進(jìn)行標(biāo)記，圖像的其余部分像素值為 255，可以使用 cv::convertTo 方法實現(xiàn)：

// 返回分水嶺
cv::Mat getWatersheds() {
    cv::Mat tmp;
    markers.convertTo(tmp,CV_8U,255,255);
    return tmp;
}

在轉(zhuǎn)換之前應(yīng)用線性變換，可以將像素值 -1 轉(zhuǎn)換為 0 ( − 1 × 255 + 255 = 0 -1\times 255+255=0 −1×255+255=0)。由于將有符號整數(shù)轉(zhuǎn)換為無符號字符時需應(yīng)用飽和操作，大于 255 的像素值將轉(zhuǎn)換為 255。

我們也可以通過許多不同的方式獲得標(biāo)記圖像。例如，可以令用戶以交互方式在圖像中標(biāo)記屬于對象和背景的像素區(qū)域；或者，如果我們需要識別位于圖像中心的物體，可以輸入一個中心區(qū)域標(biāo)有特定標(biāo)簽的圖像，且圖像背景標(biāo)記帶有另一個標(biāo)簽，可以按以下方式創(chuàng)建標(biāo)記圖像：

// 標(biāo)記背景像素
cv::Mat imageMask(image.size(), CV_8U, cv::Scalar(0));
cv::rectangle(imageMask,
            cv::Point(5, 5),
            cv::Point(image.cols-5, image.rows-5),
            cv::Scalar(255),
            3);
// 標(biāo)記前景像素
cv::rectangle(imageMask,
            cv::Point(image.cols/2-10, image.rows/2-10),
            cv::Point(image.cols/2+10, image.rows/2+10),
            cv::Scalar(1),
            10);

3. 完整代碼

頭文件 (watershedSegmentation.h) 完整代碼如下：

#if !defined WATERSHS
#define WATERSHS

#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>

class WatershedSegmentater {
    private:
        cv::Mat markers;
    public:
        void setMarkers(const cv::Mat& markerImage) {
            // 轉(zhuǎn)換數(shù)據(jù)類型
            markerImage.convertTo(markers, CV_32S);
        }
        cv::Mat process(const cv::Mat& image) {
            // 應(yīng)用分水嶺算法
            cv::watershed(image, markers);
            return markers;
        }
        // 返回結(jié)果
        cv::Mat getSegmentation() {
            cv::Mat tmp;
            markers.convertTo(tmp, CV_8U);
            return tmp;
        }
        // 返回分水嶺
        cv::Mat getWatersheds() {
            cv::Mat tmp;
            markers.convertTo(tmp,CV_8U,255,255);
            return tmp;
        }
};

#endif

主文件 (segment.cpp) 完整代碼如下所示：

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include "watershedSegmentation.h"

int main() {
    // 讀取輸入圖像
    cv::Mat image = cv::imread("1.png");
    if (!image.data) return 0;
    cv::namedWindow("Original Image");
    cv::imshow("Original Image",image);
    // 讀取二值圖像
    cv::Mat binary;
    binary = cv::imread("binary.png", 0);
    cv::namedWindow("Binary Image");
    cv::imshow("Binary Image", binary);
    // 消除噪音
    cv::Mat fg;
    cv::erode(binary, fg, cv::Mat(), cv::Point(-1, -1), 4);
    cv::namedWindow("Foreground Image");
    cv::imshow("Foreground Image", fg);
    // 標(biāo)記圖像像素
    cv::Mat bg;
    cv::dilate(binary, bg, cv::Mat(), cv::Point(-1, -1), 4);
    cv::threshold(bg, bg, 1, 128, cv::THRESH_BINARY_INV);
    cv::namedWindow("Background Image");
    cv::imshow("Background Image", bg);
    cv::Mat markers(binary.size(), CV_8U, cv::Scalar(0));
    markers = fg+bg;
    cv::namedWindow("Markers");
    cv::imshow("Markers", markers);
    // 創(chuàng)建分水嶺分割對象
    WatershedSegmentater segmenter;
    segmenter.setMarkers(markers);
    segmenter.process(image);
    cv::namedWindow("Segmentation");
    cv::imshow("Segmentation", segmenter.getSegmentation());
    cv::namedWindow("Watersheds");
    cv::imshow("Watersheds", segmenter.getWatersheds());
    // 打開另一張圖像
    image = cv::imread("3.png");
    // 標(biāo)記背景像素
    cv::Mat imageMask(image.size(), CV_8U, cv::Scalar(0));
    cv::rectangle(imageMask,
                cv::Point(5, 5),
                cv::Point(image.cols-5, image.rows-5),
                cv::Scalar(255),
                3);
    // 標(biāo)記前景像素
    cv::rectangle(imageMask,
                cv::Point(image.cols/2-10, image.rows/2-10),
                cv::Point(image.cols/2+10, image.rows/2+10),
                cv::Scalar(1),
                10);
    segmenter.setMarkers(imageMask);
    segmenter.process(image);
    cv::rectangle(image,
                cv::Point(5, 5),
                cv::Point(image.cols-5, image.rows-5),
                cv::Scalar(255, 255, 255),
                3);
    cv::rectangle(image,
                cv::Point(image.cols/2-10, image.rows/2-10),
                cv::Point(image.cols/2+10, image.rows/2+10),
                cv::Scalar(1, 1, 1),
                10);
    cv::namedWindow("Image with marker");
    cv::imshow("Image with marker", image);
    cv::namedWindow("Watershed");
    cv::imshow("Watershed", segmenter.getWatersheds());
    cv::waitKey();
    return 0;
}

讀到這里，這篇“OpenCV基于分水嶺算法的圖像分割怎么實現(xiàn)”文章已經(jīng)介紹完畢，想要掌握這篇文章的知識點還需要大家自己動手實踐使用過才能領(lǐng)會，如果想了解更多相關(guān)內(nèi)容的文章，歡迎關(guān)注億速云行業(yè)資訊頻道。