OpenCV图像处理教程C++（二十二）基于距离变换与分水岭的图像分割
图像分割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个cluster集合每个集合包括一类像素
根据算法分为监督学习和无监督学习，图像分割的算法多数都是无监督学习-KMenas
距离变换常见算法有两种
- 不断膨胀/ 腐蚀得到
- 基于倒角距离
分水岭变换常见的算法
基于浸泡理论实现，假设颜色数据为一个个山头，在山底不停加水，直到各大山头之间形成了明显的分水线
API：
watershed ( // 分水岭变换
InputArray image,
InputOutputArray markers
)
distanceTransform ( // 距离变换
InputArray src, // 输入的图像，一般为二值图像
OutputArray 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
OutputArray labels, // 输出 2D 的标签(离散Voronoi(维诺)图)，类型为 CV_32SC1
，相同距离的算做同一个 label ，算出总共由多少个 labels
int distanceType, // 所用的求解距离的类型
CV_DIST_L1 distance = |x1-x2| + |y1-y2|
CV_DIST_L2 distance = sqrt((x1-x2)^2 + (y1-y2)^2) 欧几里得距离
CV_DIST_C distance = max(|x1-x2|, |y1-y2|)
int maskSize, // 最新的支持5x5，推荐3x3
int labelType=DIST_LABEL_CCOMP // Type of the label array to build, see cv::DistanceTransformLabelTypes
)步骤：
- 将白色背景变成黑色-目的是为后面的变换做准备
- 使用filter2D与拉普拉斯算子实现图像对比度提高，sharp锐化
- 转灰度转为二值图像通过threshold
- 距离变换
- 对距离变换结果进行归一化到0-1之间
- 使用阈值再次二值化得到标记
- 腐蚀得到每个peak-erode
- 发现轮廓-findContours
- 绘制轮廓-drawcontours
- 分水岭变换watershed
- 对每个分割区域着色输出结果
代码：
#include
#include
using namespace cv;
using namespace std;
int main() {
Mat src;
src = imread("C:\\Users\\Administrator\\Desktop\\pic\\10.jpg");
imshow("input", src);
//printf("1 depth=%d, type=%d, channels=%d\n", src.depth(), src.type(), src.channels());
//将白色背景变成黑色
for (int row = 0; row < src.rows; row++) {
for (int col = 0; col < src.cols; col++) {
if (src.at(row, col) == Vec3b(255, 255, 255)) {
src.at(row, col)[0] = 0;
src.at(row, col)[1] = 0;
src.at(row, col)[2] = 0;
}
}
}
imshow("blacksrc", src);
//锐化
Mat kernel = (Mat_<float>(3, 3) << 1, 1, 1, 1, -8, 1, 1, 1, 1);//拉普拉斯算子
Mat lapulasimg;
Mat sharpimg = src;
//printf("2 depth=%d, type=%d, channels=%d\n", sharpimg.depth(), sharpimg.type(), sharpimg.channels());
filter2D(src, lapulasimg, CV_32F, kernel);// 这里计算的颜色数据有可能是负值，所以深度传 CV_32F， 不要传 -1，原图的深度是 CV_8U，不能保存负值
src.convertTo(sharpimg, CV_32F); // mat.type 由 CV_8UC3 转换为 CV_32FC3 ，为了下面的减法计算
Mat resultimg = sharpimg - lapulasimg;
lapulasimg.convertTo(lapulasimg, CV_8UC3);
resultimg.convertTo(resultimg, CV_8UC3);
imshow("ruihua", resultimg);
//转为二值
Mat binimg;
cvtColor(resultimg, resultimg, CV_RGB2GRAY);
threshold(resultimg, binimg, 40, 255, THRESH_BINARY);
imshow("binimg", binimg);
//距离变化
Mat disimg;
distanceTransform(binimg, disimg, DIST_L1, 3,5);// CV_32F表示输出图像的深度，通道数与输入图形一致
imshow("disimg", disimg);
//对距离变换结果进行归一化到0-1之间
normalize(disimg, disimg, 0, 1, NORM_MINMAX);
imshow("normal", disimg);
//使用阈值再次二值化得到标记(即颜色值达到0.4的地方，表示轮廓的边界，为发现轮廓做准备)
threshold(disimg, disimg, 0.4, 1, THRESH_BINARY);
imshow("erzhiimg", disimg);
//腐蚀得到每个peak - erode
Mat k1 = Mat::zeros(13, 13, CV_8UC1);
erode(disimg, disimg, k1);
imshow("erodeimg", disimg);
//发现轮廓
Mat dist_8u;
disimg.convertTo(dist_8u, CV_8UC1);
imshow("dist_8u*100", dist_8u*100 );//元素放大100倍
vector<vector(row, col) = colors[index - 1]; // 因为上面传的是 Scalar::all(i + 1), -1) 所以要减1
}
else {
dst.at(row, col) = Vec3b(0, 0, 0); // 轮廓之外全部黑色
}
}
}
imshow("Final Result", dst);
waitKey(0);
}
结果：
