做图像处理时,我们可能会遇到一个问题:我们只需要图片的一部分区域,如何把图片中的某部分区域提取出来 或者 图像想要的区域用某种颜色(与其它区域颜色不一致)标记起来 ,以上描述的问题在像处理领域称为 图像分割。
说了这么多,可能还是有读者不知所云,这里我在下面放置了一张图,就是图像分割的一个应用,图像的前后对比,可以看到 人物 通过算法被很清晰地分割了出来,方便后续物体的识别跟踪。
这篇文章给大家介绍的就是 Opencv 中的一种图像分割方法 — 分水岭算法,先介绍一下这个算法所用到的基本原理:把图像比喻成一个平面,图像灰度值高的区域被看作山峰,灰度值低的地方被看作山谷,不同区域的山谷我们可以用不同颜色来标记,但是随着标记区域不断扩大,会出现一种现象:不同山谷的交汇处区域会出现颜色错乱现象,为了防止这一现象的出现,要做的就是把高峰变得更高(改变灰度值),然后再用颜色标记,如此反复最后完成所所有山谷的颜色分割,以上就是 涉及分水岭算法基本原理。
说的简单一点,就是根据图像相邻的像素插值,分成不同区域;分水岭算法就是将不同区域染成不同颜色;分水岭分割算法最大的特征就是 区域的封闭性;
Opencv 包中的分水岭算法利用的不是原算法,而是在原算法基础上又改进了一下,加了一步预处理(因为原算法经常会造成图像过度分割):在分割之前先要设置那些山谷会出现汇合,那些不会;如果我i们能够确定该点代表的是要分割的对象,那么就用某个颜色或者灰度值标签标记它,如果不是就利用另一种颜色去标记它。随后的过程就是分水岭算法。当所有山谷区域都分割完毕之后,得到的边界对象值设置为 -1;
本次算法用到的图片实例
·
分水岭算法的具体使用步骤:
首先利用 cv2 读取图片,把 图片转变为灰质图,然后做阈值筛选,之前提到过的Otsu ' s 二值化 ,变成下面的二值图片(两色图),至于如何二值化的,可以参照之前写的这篇文章:zeroing:OpenCv 中的【图像阈值化处理】-- 我们经常用到的技术!
;代码如下:
import cv2
import numpy as np
from matplotlib import pyplot as plt
import cv2
import numpy as np
from matplotlib import pyplot as plt
img1 = cv2.imread('F:/opencv_test/1.jpg')
gray2 = cv2.cvtColor(img1,cv2.COLOR_BGR2RGB)
gray = cv2.cvtColor(gray2,cv2.COLOR_RGB2GRAY)
# Otsu ' s 二值化;
ret,thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV +cv2.THRESH_OTSU)
plt.subplot(1,3,1),
plt.imshow(gray2),
plt.title('Original')
plt.subplot(1,3,3),
plt.imshow(thresh),
plt.title("Otsu's")
现在我们的目标就转化为提取图像中上面的白色区域:这里需要记住的是 这里硬币区域的是前景,也就是里硬币中心区域越近前景的可能性越大,离硬币区域中心越远的为背景的可能性越大 ,模糊区域就是前景与背景之间的边缘区域 ;
提取硬币区域,目前比较有效的有两种操作:腐蚀 操作和 膨胀 操作,腐蚀是用来去除边缘像素,而膨胀操作是将硬币边缘区域向外延申,对于操作之后的区域我们就能确定哪个区域一定是前景( Foreground ),哪个区域一定是背景( Background ).
代码部分:
#nosing removoal迭代两次
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel,iterations = 2)
# sure background area
sure_bg = cv2.dilate(opening,kernel,iterations = 3)
dist_transform = cv2.distanceTransform(opening,1,5)
ret,sure_fg = cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0)
sure_fg = np.uint8(sure_fg)
unknow = cv2.subtract(sure_bg,sure_fg)
plt.subplot(1,3,1),
plt.imshow(sure_bg),
plt.title('Black region\nmust be background')
plt.subplot(1,3,3),
plt.imshow(unknow),
plt.title('Yellos region\nmust be foregroun'),
确定的背景区域减去一定确定的前景区域就是我们所要的硬币区域 ;分水岭算法在这里应用就是处理前景和背景的交界处,经过区域相减、阈值化处理之后得到肯定是硬币的区域,接下来需要我们创建标签(与源图像大小相同,数据类型为 int32 );
利用 cv2.connectedComponents() 把不同区域的颜色分为不同颜色,把背景标记为0(也就是代码中的unkbow区域),最后就是进行分水岭算法,把不同的区域赋予不同的颜色
#Marker labeling
ret,makers1 = cv2.connectedComponents(sure_fg)
#Add one to all labels so that sure background is not 0 but 1;
markers = makers1 +1
#Now mark the region of unknow with zero;
markers[unknow ==255] =0
markers3 = cv2.watershed(img1,markers)
上面提到,不同区域的边界,在进行分水岭分割算法之后都被赋值为 -1;把区域为 -1 的区域用红色表示,就能非常清楚地看到分界线了:
img1[markers3 == -1] =[255,0,0]
plt.subplot(1,3,1),
plt.imshow(makers1),
plt.title('makers1')
plt.subplot(1,3,2),
plt.imshow(markers3),
plt.title('markers3')
plt.subplot(1,3,3),
plt.imshow(img1),
plt.title('img1'),
最后的分割展示效果展示如下:
这篇文章算是 Opencv_python 系列的第二篇教程,文章种完整代码已经上传到了 Github 上面了,贴一下链接地址:GITHUB;
个人微信公众号:Z先生点记;专注于 python爬虫,数据分析、可视化;python图像处理方面,没事的话可以常来坐坐!