无锡做网站优化价格,saas建站没有网站源代码么,潮州哪里做网站,wordpress 打包 转移OpenCV 例程200篇 总目录-202205更新 【youcans 的 OpenCV 例程200篇】180.基于距离变换的分水岭算法 【youcans 的 OpenCV 例程200篇】181.基于 Sobel 梯度的分水岭算法 【youcans 的 OpenCV 例程200篇】182.基于形态学梯度的分水岭算法 【youcans 的 OpenCV 例程200篇】183.基…OpenCV 例程200篇 总目录-202205更新 【youcans 的 OpenCV 例程200篇】180.基于距离变换的分水岭算法 【youcans 的 OpenCV 例程200篇】181.基于 Sobel 梯度的分水岭算法 【youcans 的 OpenCV 例程200篇】182.基于形态学梯度的分水岭算法 【youcans 的 OpenCV 例程200篇】183.基于轮廓标记的分水岭算法 【youcans 的 OpenCV 例程200篇】184.鼠标交互标记的分水岭算法 【youcans 的 OpenCV 例程200篇】180.基于距离变换的分水岭算法 7. 图像分割之分水岭算法
分水岭算法是一种图像区域分割法以临近像素间的相似性作为重要特征从而将空间位置相近且灰度值相近的像素点互相连接起来构成一个封闭的轮廓。
分水岭方法是一种基于拓扑理论的数学形态学的分割方法基本思想是把图像看作测地学上的拓扑地貌将像素点的灰度值视为海拔高度整个图像就像一张高低起伏的地形图。每个局部极小值及其影响区域称为集水盆集水盆的边界则形成分水岭。
分水岭算法是基于形态学的图像分割方法体现了边缘检测、阈值处理和区域提取的概念和思想往往会产生更稳定的分割结果。算法的实现过程可以理解为洪水淹没的过程最低点首先被淹没然后水逐渐淹没整个山谷水位升高到一定高度就会溢出于是在溢出位置修建堤坝不断提高水位重复上述过程直到所有的点全部被淹没所建立的一系列堤坝就成为分隔各个盆地的分水岭。
分水岭的计算过程是一个迭代标注过程通过寻找集水盆和分水岭对图像进行分割。经典的分水岭算法分为排序过程和淹没过程两个步骤首先对每个像素的灰度级从低到高排序然后在从低到高的淹没过程中对每一个局部极小值在 h 阶高度的影响域进行判断及标注。
最简单的分水岭算法的是基于距离变换通过每个像素到最接近零值的像素的距离生成标注图像。基于梯度的分水岭算法通过梯度函数使得集水盆只响应想要探测的目标对微弱边缘也有良好的响应但图像中的噪声容易导致过分割。
基于标记点标记符控制的分水岭算法是主流的分割算法其思想是利用先验知识来帮助分割。改进算法在原始图像中寻找一些内部标记和外部标记来引导分割水淹过程从预先定义的标记开始较好地解决了过度分割的问题。改进算法的关键在于如何获得准确的标记图像即如何将前景物体与背景准确的标记出来。
图像的标记是将图像分为前景目标物体、背景和未知区域把前景图像内的一部分设为 255背景图像设为 0~255 的某个中间值未知区域设为 0。通常靠近目标物体中心的区域肯定是前景远离对象中心的区域肯定是背景二者之间的是未知区域。因此对图像进行二值化处理后经过多次腐蚀或重建闭运算可以得到前景区域经过多次膨胀或重建开运算可以得到背景区域前景区域和背景区域如有重合部分也是未知区域。
OpenCV 提供了函数 cv.watershed 实现基于标记的分水岭算法。
使用函数 cv.watershed 需要输入一个CV_32S 类型的标记图像图像中每个非零像素代表一个标签。对图像中部分像素做标记表明它的所属区域是已知的。
cv.watershed(image, markers[, ] ) → markers 参数说明
image输入图像8-bit/3-channel 彩色图像markers标记图像32-bit 单通道图像大小与 image 相同
注意事项
分水岭算法要求必须在标记图像 markers 中用索引勾勒出需要分割的区域每个区域被赋值为 1、2、3… 等索引编号对应于不同的目标物体。图像标记 markers 中未知区域的像素值设置为 0通过分水岭算法确定这些像素属于背景还是前景区域。输出的图像标记 markers 中每个像素都被赋值为 1、2、3… 等索引编号或以 -1 表示区域之间的边界分水岭。
OpenCV 提供了函数 cv.distanceTransform 实现距离变换计算图像中每个像素到最近的零像素点的距离。
函数说明
cv.distanceTransform(src, distanceType, maskSize[, dstNone, dstTypeCV_32F]) → dst
cv.distanceTransformWithLabels(src, distanceType, maskSize[, dstNone, labelsNone, labelTypeDIST_LABEL_CCOMP]) → dst, labels参数说明
src输入图像8-bit 单通道灰度图像distanceType距离的类型 cv.DIST_USER用户定义的距离cv.DIST_L1dist∣x1−x2∣∣y1−y2∣dist |x1-x2||y1-y2|dist∣x1−x2∣∣y1−y2∣cv.DIST_L2欧几里德距离cv.DIST_Cdistmax(∣x1−x2∣,∣y1−y2∣)dist max(|x1-x2|, |y1-y2|)distmax(∣x1−x2∣,∣y1−y2∣) maskSize距离变换遮罩的大小通常取 3, 5labelType生成的标签数组的类型 cv.DIST_LABEL_CCOMP每个连接的零组件及最接近连接组件的所有非零像素被指定相同的标签cv.DIST_LABEL_PIXEL每个零像素及离它最近的所有非零像素都有自己的标签 dst计算距离的输出图像8-bit 或 32-bit 单通道图像大小与 src 相同labels标签的输出图像CV_32SC1类型 大小与 src 相同
注意事项
距离变换遮罩大小 maskSize 通常取 3 或 5表示选择 3*3 或 5*5 的遮罩距离类型为 DIST_L1 或 DIST_C 时遮罩大小被强制设为 3。 例程 11.37 基于距离变换的分水岭算法
最简单的分水岭算法的是基于距离变换通过每个像素到最接近零值的像素的距离生成标注图像。
基于距离变换的分水岭算法的主要步骤为
1首先通过阈值分割将灰度图像转换为二值图像使用开运算消除噪点 2通过形态学的膨胀操作生成 “确定背景” 区域 sureBG 3通过距离变换并由阈值分割得到高亮区域生成 “确定前景” 区域 sureFG 4对 “确定前景” 区域 sureFG 进行连通性分析标记为不同的连通域编号即对多个分割目标进行编号 5“确定前景” 区域 sureFG 与 “确定背景” 区域重合的部分作为 “待定区域” unknown 6从连通域标记图像中去除 “确定背景” 区域作为分水岭算法的标注图像 7基于标记图像使用分水岭算法进行分割得到各个分割目标的轮廓标注为 -1 8把目标的轮廓添加到原始图像上。 # 11.37 基于距离变换的分水岭算法img cv2.imread(../images/Fig1039a.tif, flags1) # 读取彩色图像(BGR)gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 转为灰度图像# 阈值分割将灰度图像分为黑白二值图像ret, thresh cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU)# 形态学操作生成 确定背景 区域kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3)) # 生成 3*3 结构元opening cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations2) # 开运算消除噪点sure_bg cv2.dilate(opening, kernel, iterations3) # 膨胀操作生成 确定背景 区域# 距离变换生成 确定前景 区域distance cv2.distanceTransform(opening, cv2.DIST_L2, 5) # DIST_L2: 3/5_, sure_fg cv2.threshold(distance, 0.1*distance.max(), 255, cv2.THRESH_BINARY) # 阈值选择 0.1*max 效果较好sure_fg np.uint8(sure_fg)# 连通域处理ret, component cv2.connectedComponents(sure_fg, connectivity8) # 对连通区域进行标号序号为 0-N-1markers component 1 # OpenCV 分水岭算法设置标注从 1 开始而连通域编从 0 开始# 去除连通域中的背景区域部分unknown cv2.subtract(sure_bg, sure_fg) # 待定区域前景与背景的重合区域markers[unknown255] 0 # 去掉属于背景的区域 (置零)# 分水岭算法标注目标的轮廓markers cv2.watershed(img, markers) # 分水岭算法将所有轮廓的像素点标注为 -1kinds markers.max() # 标注连通域的数量# 把轮廓添加到原始图像上imgWatershed img.copy()imgWatershed[markers -1] [0, 0, 255] # 将分水岭算法标注的轮廓点设为红色print(img.shape, markers.shape, markers.max(), markers.min(),ret)plt.figure(figsize(10, 6))plt.subplot(231), plt.axis(off), plt.title(Origin image)plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) # 显示 img(RGB)plt.subplot(232), plt.axis(off), plt.title(Gray image)plt.imshow(gray, gray)plt.subplot(233), plt.axis(off), plt.title(Sure_bg)plt.imshow(sure_bg, gray) # 确定背景plt.subplot(234), plt.axis(off), plt.title(Sure_fg)plt.imshow(sure_fg, gray) # 确定前景plt.subplot(235), plt.axis(off), plt.title(Markers)plt.imshow(markers, gray) # 图像标注plt.subplot(236), plt.axis(off), plt.title(Watershed)plt.imshow(cv2.cvtColor(imgWatershed, cv2.COLOR_BGR2RGB))plt.tight_layout()plt.show()本节完 版权声明
OpenCV 例程200篇 总目录-202205更新 youcansxupt 原创作品转载必须标注原文链接(https://blog.csdn.net/youcans/article/details/124766166)
Copyright 2022 youcans, XUPT Crated2022-5-15 欢迎关注 『youcans 的 OpenCV 例程 200 篇』 系列持续更新中 欢迎关注 『youcans 的 OpenCV学习课』 系列持续更新中 【youcans 的 OpenCV 例程200篇】147. 图像分割之孤立点检测 【youcans 的 OpenCV 例程200篇】148. 图像分割之线检测 【youcans 的 OpenCV 例程200篇】149. 图像分割之边缘模型 【youcans 的 OpenCV 例程200篇】150. 边缘检测梯度算子 【youcans 的 OpenCV 例程200篇】151. 边缘检测中的平滑处理 【youcans 的 OpenCV 例程200篇】152. 边缘检测之 LoG 算子 【youcans 的 OpenCV 例程200篇】153. 边缘检测之 DoG 算子 【youcans 的 OpenCV 例程200篇】154. 边缘检测之 Canny 算子 【youcans 的 OpenCV 例程200篇】155. 边缘连接的局部处理方法 【youcans 的 OpenCV 例程200篇】156. 边缘连接局部处理的简化算法 【youcans 的 OpenCV 例程200篇】157. 霍夫变换直线检测 【youcans 的 OpenCV 例程200篇】158. 阈值处理之固定阈值法 【youcans 的 OpenCV 例程200篇】159. 图像分割之全局阈值处理 【youcans 的 OpenCV 例程200篇】160. 图像处理之OTSU 方法 【youcans 的 OpenCV 例程200篇】161. OTSU 阈值处理算法的实现 【youcans 的 OpenCV 例程200篇】162. 全局阈值处理改进方法 【youcans 的 OpenCV 例程200篇】163. 基于边缘信息改进全局阈值处理 【youcans 的 OpenCV 例程200篇】164.使用 Laplace 边缘信息改进全局阈值处理 【youcans 的 OpenCV 例程200篇】165.多阈值 OTSU 处理方法 【youcans 的 OpenCV 例程200篇】166.自适应阈值处理 【youcans 的 OpenCV 例程200篇】167.基于移动平均的可变阈值处理 【youcans 的 OpenCV 例程200篇】168.图像分割之区域生长 【youcans 的 OpenCV 例程200篇】169.图像分割之区域分离 【youcans 的 OpenCV 例程200篇】170.图像分割之K均值聚类 【youcans 的 OpenCV 例程200篇】171.SLIC 超像素区域分割 【youcans 的 OpenCV 例程200篇】172.SLIC 超像素区域分割算法比较 【youcans 的 OpenCV 例程200篇】173.SEEDS 超像素区域分割 【youcans 的 OpenCV 例程200篇】174.LSC 超像素区域分割 【youcans 的 OpenCV 例程200篇】175.超像素区域分割方法比较 【youcans 的 OpenCV 例程200篇】176.图像分割之均值漂移算法 【youcans 的 OpenCV 例程200篇】177.图像分割之 GraphCuts 图割法 【youcans 的 OpenCV 例程200篇】178.图像分割之 GrabCut 图割法框选前景 【youcans 的 OpenCV 例程200篇】179.图像分割之 GrabCut 图割法掩模图像 【youcans 的 OpenCV 例程200篇】180.基于距离变换的分水岭算法
