网站设计外包协议,网站上传不了照片,网站建设方案文档,电脑版h5制作软件OpenCV计算机视觉实战#xff08;16#xff09;——图像分割技术0. 前言1. 分水岭算法1.1 应用场景1.2 实现过程2. GrabCut 交互式分割2.1 应用场景2.2 实现过程3. FloodFill3.1 应用场景3.2 实现过程小结系列链接0. 前言
图像分割是计算机视觉中将像素划分为具有特定语义或…
OpenCV计算机视觉实战16——图像分割技术0. 前言1. 分水岭算法1.1 应用场景1.2 实现过程2. GrabCut 交互式分割2.1 应用场景2.2 实现过程3. FloodFill3.1 应用场景3.2 实现过程小结系列链接0. 前言
图像分割是计算机视觉中将像素划分为具有特定语义或结构的区域。面对目标紧密相连或前景背景对比不明显的复杂场景仅凭简单的阈值往往捉襟见肘。本文深入讲解并演示了三种经典而高效的分割方法——分水岭算法借鉴地形水漫模型精准分离粘连目标GrabCut 交互式抠图通过最小割迭代优化实现细节丰富的前景提取以及 FloodFill 以种子点为起点快速覆盖同质区域。
1. 分水岭算法
将灰度图看作地形高程图把“低谷”视为种子点利用梯度图构造“水漫”过程最终在“山脊线”处形成分割边界适合处理前景连通但边界黯淡的场景。
1.1 应用场景
重叠目标分离当前景对象相互粘连时如重叠的硬币、细胞团分水岭能精确沿“山脊”将它们分开纹理分割结合梯度图能处理前景背景亮度相近但纹理不同的场景预分割常作为后续目标检测或特征提取的预处理步骤提供连通组件
1.2 实现过程
读取图像与预处理 转灰度并做高斯模糊减少噪声计算梯度图 (Sobel 或 Laplacian) 以突出边缘 二值化与距离变换 对图像做阈值化得到粗略二值前景对前景做距离变换并归一化 标记种子区域 对距离变换结果做阈值提取“确实前景”作为种子标记将未知区域标为 0背景标为 1 调用分水岭 cv2.watershed 会修改标记矩阵将边界点标记为 –1在原图上将边界涂为红色
import cv2
import numpy as np# 1. 读取与预处理
img cv2.imread(2.jpeg)
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
blur cv2.GaussianBlur(gray, (5, 5), 0)# 2. 梯度与二值化
grad cv2.Laplacian(blur, cv2.CV_8U, ksize3)
_, binary cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU)# 3. 距离变换与种子标记
dist cv2.distanceTransform(binary, cv2.DIST_L2, 5)
_, fg cv2.threshold(dist, 0.4 * dist.max(), 255, 0)
fg np.uint8(fg)
bg cv2.dilate(binary, np.ones((3,3), np.uint8), iterations3)
unknown cv2.subtract(bg, fg)# 4. 连通组件与标记
_, markers cv2.connectedComponents(fg)
markers markers 1 # 背景标记为 1
markers[unknown 255] 0 # 未知区域标记为 0# 5. 分水岭
markers cv2.watershed(img, markers)
output img.copy()
output[markers -1] [0, 0, 255] # 边界标红cv2.imshow(Watershed Segmentation, output)
cv2.waitKey(0)
cv2.destroyAllWindows()关键函数解析
cv2.distanceTransform(src, distType, maskSize)计算二值图中每个前景像素到最近背景的距离用于挖掘前景核心区域cv2.connectedComponents(src)对前景二值图进行连通组件标记生成初始标记矩阵cv2.watershed(image, markers)以 markers 为种子在彩色图像上执行分水岭算法输出带边界的标记图
2. GrabCut 交互式分割
GrabCut 利用图割 (Graph Cut) 模型结合少量用户标注(矩形或前景/背景涂抹)自动学习前景与背景像素分布实现高质量分割适合人物/物体抠图。
2.1 应用场景
半自动抠图用户只需框选对象后续可用笔刷细化边缘比如头发、树叶等复杂轮廓视频抠像在关键帧交互后将模型应用于相邻帧实现半自动背景替换图形编辑工具集成 GrabCut让非专业用户也能轻松抠图
2.2 实现过程
读取图像与定义感兴趣区域 (Region of Interest, ROI) 用户给定一个大致含前景的矩形框 rect 初始化掩码与模型 mask 初始化为全 “可能背景”bgModel 与 fgModel 用于内部高斯混合模型 (Gaussian Mixture Model, GMM) 调用 GrabCut cv2.grabCut 根据 rect 或用户刷涂的 mask 迭代优化模型会不断更新前景/背景分布 提取结果 将 mask 中标记为前景/可能前景的像素保留其余设为背景
import cv2
import numpy as npimg cv2.imread(2.jpeg)
mask np.zeros(img.shape[:2], np.uint8)# 1. 用户定义矩形 ROI (x,y,w,h)
rect (50, 50, img.shape[1]-100, img.shape[0]-100)# 2. 初始化模型
bgModel np.zeros((1,65), np.float64)
fgModel np.zeros((1,65), np.float64)# 3. 执行 GrabCut
cv2.grabCut(img, mask, rect, bgModel, fgModel, 5, cv2.GC_INIT_WITH_RECT)# 4. 构建前景掩码并应用
mask2 np.where((maskcv2.GC_FGD)|(maskcv2.GC_PR_FGD),255,0).astype(uint8)
result cv2.bitwise_and(img, img, maskmask2)cv2.imshow(GrabCut Result, result)
cv2.waitKey(0)
cv2.destroyAllWindows()关键函数解析
cv2.grabCut(img, mask, rect, bgdModel, fgdModel, iterCount, mode)在指定 rect 区域或已有 mask 上运行 GrabCut modecv2.GC_INIT_WITH_RECT使用矩形初始化modecv2.GC_INIT_WITH_MASK根据用户细化涂抹结果再运行 mask 标签值GC_BGD(0), GC_FGD(1), GC_PR_BGD(2), GC_PR_FGD(3)可提取出最终前景
3. FloodFill
FloodFill 从给定种子点开始将相似像素“漫水填充”到边界可用于区域生长、缺陷检测与交互式标注。
3.1 应用场景
缺陷检测从划痕起点填充快速定位裂纹区域交互式分割点击图像生成精确区域掩码配合 GrabCut 等方法色块分割在质感均匀的背景或卡通图像中快速提取色块
3.2 实现过程
读取图像指定种子点 (x, y)设置填充参数 loDiff / upDiff允许填充的像素与种子点最大差异flags控制填充方式、掩码使用 调用 FloodFill 返回填充后的像素数与更新后的图像
import cv2
import numpy as npimg cv2.imread(1.jpeg)
h, w img.shape[:2]# 1. 构建掩码需比原图多两像素边缘
mask np.zeros((h2, w2), np.uint8)# 2. 漫水填充参数
seed_point (700, 500)
newVal (0, 0, 255) # 填充颜色红色
loDiff (20, 20, 20) # 下限差异
upDiff (20, 20, 20) # 上限差异
flags 4 | cv2.FLOODFILL_FIXED_RANGE | (2558)# 3. 执行 FloodFill
num, img_flood, mask, rect cv2.floodFill(img.copy(), mask, seed_point,newVal, loDiff, upDiff, flags)cv2.imshow(FloodFill Result, img_flood)
cv2.waitKey(0)
cv2.destroyAllWindows()关键函数解析
cv2.floodFill(image, mask, seedPoint, newVal, loDiff, upDiff, flags)从 seedPoint 开始填充loDiff / upDiff 控制像素相似度flags 参数含义 cv2.FLOODFILL_FIXED_RANGE像素差异相对种子点cv2.FLOODFILL_MASK_ONLY仅更新 mask
小结
本节从分水岭的高程地图思路切入讲解如何借助距离变换与连通组件构建水漫分割再通过 GrabCut 的图割模型与用户交互实现更高精度的前景去背最后以 FloodFill 的种子驱动方式演示快速区域生长。三者各有侧重却可互为补充分水岭适合自动化预分割GrabCut 适合复杂边缘细化FloodFill 则胜在简单直观和交互式应用。
系列链接
OpenCV计算机视觉实战1——计算机视觉简介 OpenCV计算机视觉实战2——环境搭建与OpenCV简介 OpenCV计算机视觉实战3——计算机图像处理基础 OpenCV计算机视觉实战4——计算机视觉核心技术全解析 OpenCV计算机视觉实战5——图像基础操作全解析 OpenCV计算机视觉实战6——经典计算机视觉算法 OpenCV计算机视觉实战7——色彩空间详解 OpenCV计算机视觉实战8——图像滤波详解 OpenCV计算机视觉实战9——阈值化技术详解 OpenCV计算机视觉实战10——形态学操作详解 OpenCV计算机视觉实战11——边缘检测详解 OpenCV计算机视觉实战12——图像金字塔与特征缩放 OpenCV计算机视觉实战13——轮廓检测详解 OpenCV计算机视觉实战14——直方图均衡化 OpenCV计算机视觉实战15——霍夫变换详解
