免费交流网站建设,婚礼纪网站怎么做请帖,网上营销是做什么的,合肥建设云小程序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】182.基于形态学梯度的分水岭算法 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。
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
例程 11.39 基于形态学梯度的分水岭算法
梯度处理可以使用 Sobel、Canny 梯度算子也可以用形态学梯度操作获得梯度图像。
基于梯度的分水岭算法对微弱的边缘有着良好的响应但图像中的噪声容易导致图像的过分割。对此在对梯度图像进行阈值分割转换为二值图像后运用开运算消除噪点非常重要可以有效地抑制梯度图像的过分割。 # 11.39 基于形态学梯度的分水岭算法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# 图像的形态学梯度kernel cv2.getStructuringElement(cv2.MORPH_RECT, (5, 5)) # 生成 5*5 结构元grad cv2.morphologyEx(gray, cv2.MORPH_GRADIENT, kernel) # 形态学梯度# 阈值分割将灰度图像分为黑白二值图像_, thresh cv2.threshold(np.uint8(grad), 0.2*grad.max(), 255, cv2.THRESH_BINARY)# 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, 0) # 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kinds markers.max() # 标注连通域的数量maxKind np.argmax(np.bincount(markers.flatten())) # 出现最多的序号所占面积最大选为底色markersBGR np.ones_like(img) * 255for i in range(kinds):if (i!maxKind):colorKind [np.random.randint(0, 255), np.random.randint(0, 255), np.random.randint(0, 255)]markersBGR[markersi] colorKind# 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[unknown 255] 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 xupt)plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB)) # 显示 img(RGB)plt.subplot(232), plt.axis(off), plt.title(Gradient)plt.imshow(grad, gray) # 钝化掩蔽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.imshow(cv2.cvtColor(markersBGR, cv2.COLOR_BGR2RGB))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/124813539)
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】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 更多内容请见 【OpenCV 例程200篇 总目录-202206更新】
