【OpenCV学习笔记】之基于距离变换与分水岭图像分割算法

什么是图像分割？

• 图像分割(Image Segmentation)是图像处理最重要的处理手段之一。
• 图像分割的目标是将图像中像素根据一定的规则分为若干(N)个cluster集合，每个集合包含一类像素。
• 根据算法分为监督学习方法和无监督学习方法，图像分割的算法多数都是无监督学习方法 - KMeans

 距离变换常见算法有两种： 

距离变换的定义 ：计算图像中像素点到最近零像素点的距离，也就是零像素点的最短距离。

距离变换的方法：首先对图像进行二值化处理，然后给每个像素赋值为离它最近的背景像素点与其距离（Manhattan距离or欧氏距离），得到distance metric(距离矩阵)，那么离边界越远的点越亮。

                 

距离变换常用应用：

• 细化轮廓；
• 寻找质心；

分水岭变换常见的算法 ：

- 基于浸泡理论实现，假设图像每个位置的像素值为不同的地貌势必会形成山峰和山谷，在山底不停加水，直到各大山头之间形成了明显的分水线——分水岭算法的基本思想。

这个链接里面的分水岭算法的详细解释：https://blog.csdn.net/iracer/article/details/49225823

需要的一些OpenCV的API介绍：

C++: void distanceTransform(InputArray src, OutputArray dst, int distanceType, int maskSize,int labelType)
//InputArray src：输入的图像，一般为二值图像

// OutputArray dst：输出的图像

//int distanceType：所用的求解距离的类型、

//It can be CV_DIST_L1, CV_DIST_L2 , or CV_DIST_C

//mask_size  距离变换掩模的大小，可以是 3 或 5. 对 CV_DIST_L1 或 CV_DIST_C 的情况，参数值被强制设定为 3, 因为 3×3 mask 给出 5×5 mask 一样的结果，而且速度还更快。
//int labelType; oepncv2X里面不需要参数六

参数四距离可选类型：

参数六标签可选类型：

C++ void watershed(InputArray image, InputOutputArray markers)
//参数一：输入图像，需为8位的三通道彩色图像；
//参数二：调用函数后的结果放在这里，输入\输出32位单通道图像的标记结果，即这个参数用于存放函数调用后的输出结果，需和源图像有一样的尺寸

示例程序：

//基于距离变换和分水岭的图像分割（image segmentation）
//图像分割的目标是将图像中像素根据一定的规则分为若干(N)个cluster集合，每个集合包含一类像素。
//步骤：1.将白色背景变成黑色-目的是为后面的变换做准备
//2. 使用filter2D与拉普拉斯算子实现图像对比度提高，sharp
//3. 转为二值图像通过threshold
//4. 距离变换
//5. 对距离变换结果进行归一化到[0~1]之间
//6. 使用阈值，再次二值化，得到标记
//7. 腐蚀得到每个Peak - erode
//8.发现轮廓 – findContours
//9. 绘制轮廓 - drawContours
//10.分水岭变换 watershed
//11. 对每个分割区域着色输出结果

#include "stdafx.h"
#include
#include
#include

using namespace std;
using namespace cv;

int main(int argc, char*argv)
{
	Mat src;
	src = imread("C:/Users/59235/Desktop/imag/Pentagram.jpg");
	if (!src.data)
	{
		printf("could not load image...\n");
		return -1;
	}
	namedWindow("input", CV_WINDOW_AUTOSIZE);
	imshow("input", src);

	//将白色背景变成黑色-目的是为后面的变换做准备
	for (int row = 0; row < src.rows; row++)
	{
		for (int col = 0; col(row, col)[0]>200 && src.at(row, col)[1]>200 && src.at(row, col)[2]>200)
			{
				src.at(row, col)[0] = 0;
				src.at(row, col)[1] = 0;
				src.at(row, col)[2] = 0;
			}
		}
	}
	const char*input = "change backgroud image";
	namedWindow(input, CV_WINDOW_AUTOSIZE);
	imshow(input, src);

	//使用filter2D与拉普拉斯算子实现图像对比度提高，sharp
	Mat imgLaplance;
	Mat sharp = src;
	Mat kernel = (Mat_(3, 3) << 1, 1, 1, 1, -8, 1, 1, 1, 1);
	filter2D(sharp, imgLaplance, CV_32F, kernel, Point(-1, -1), 0, BORDER_DEFAULT);
	src.convertTo(sharp, CV_32F);
	Mat imgResult = sharp - imgLaplance;

	//显示
	imgResult.convertTo(imgResult, CV_8UC3);
	imgLaplance.convertTo(imgLaplance, CV_8UC3);
	namedWindow("Sharp image", CV_WINDOW_AUTOSIZE);
	imshow("Sharp image", imgResult);
	// src = resultImg; // copy back

	//binary image转为二值图像通过threshold
	Mat binaryImag;
	cvtColor(src, binaryImag, CV_BGR2GRAY);
	threshold(binaryImag, binaryImag, 40, 255, THRESH_OTSU | THRESH_BINARY);
	namedWindow("binary image", CV_WINDOW_AUTOSIZE);
	imshow("binary image", binaryImag);

	//距离变换（distance transform ）
	Mat distImg;
	distanceTransform(binaryImag, distImg, DIST_L1, 3, 5);
	//cv::distanceTransform(InputArray  src, OutputArray dst,  OutputArray  labels,  int  distanceType,  int maskSize,  int labelType=DIST_LABEL_CCOMP)
	//distanceType = DIST_L1 / DIST_L2,
	//maskSize = 3x3, 最新的支持5x5，推荐3x3、
	//labels离散维诺图输出
	//dst输出8位或者32位的浮点数，单一通道，大小与输入图像一致

	//对距离变换结果进行归一化到[0~1]之间
	normalize(distImg, distImg, 0, 1, NORM_MINMAX);
	imshow("distance image", distImg);

	//使用阈值，再次二值化，得到标记(binary again)
	threshold(distImg, distImg, .2, 1, THRESH_BINARY);

	//腐蚀得到每个Peak - erode
	Mat kernel1 = Mat::ones(13, 13, CV_8UC1);
	erode(distImg, distImg, kernel1, Point(-1, -1));
	imshow("distance binary image", distImg);

	// markers (发现轮廓 – findContours)
	Mat dist_8u;
	distImg.convertTo(dist_8u, CV_8U);
	vector> contours;
	findContours(dist_8u, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point(0, 0));

	// create makers(绘制轮廓 - drawContours)
	Mat markers = Mat::zeros(src.size(), CV_32SC1);
	for (size_t i = 0; i < contours.size(); i++) {
		drawContours(markers, contours, static_cast(i), Scalar::all(static_cast(i) + 1), -1);
	}
	circle(markers, Point(5, 5), 3, Scalar(255, 255, 255), -1);
	imshow("my markers", markers * 1000);

	// perform watershed(基于浸泡理论实现 )
	watershed(src, markers);
	Mat mark = Mat::zeros(markers.size(), CV_8UC1);
	markers.convertTo(mark, CV_8UC1);
	//src.convertTo(dst, type, scale, shift)
	//dst：目的矩阵；
	//type：需要的输出矩阵类型，或者更明确的，是输出矩阵的深度，如果是负值（常用 - 1）则输出矩阵和输入矩阵类型相同；
	//scale : 比例因子；
	//shift：将输入数组元素按比例缩放后添加的值；
	bitwise_not(mark, mark, Mat());
	imshow("watershed image", mark);


	// generate random color
	vector colors;
	for (size_t i = 0; i < contours.size(); i++) {
		int r = theRNG().uniform(0, 255);
		int g = theRNG().uniform(0, 255);
		int b = theRNG().uniform(0, 255);
		colors.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
	}

	// fill with color and display final result(对每个分割区域着色输出结果)
	Mat dst = Mat::zeros(markers.size(), CV_8UC3);
	for (int row = 0; row < markers.rows; row++) {
		for (int col = 0; col < markers.cols; col++) {
			int index = markers.at(row, col);
			if (index > 0 && index <= static_cast(contours.size())) {
				dst.at(row, col) = colors[index - 1];
			}
			else {
				dst.at(row, col) = Vec3b(0, 0, 0);
			}
		}
	}
	imshow("Final Result", dst);

	waitKey(0);
	return 0;
}

效果图：