Halcon图像分割-分水岭算法

提示：文章参考了网络上其他作者的文章，以及相关书籍，如有侵权，请联系作者。

---

前言

例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。

---

一、watersheds算子

       分水岭算法是一种典型的基于边缘的图像分割算法，通过寻找区域之间的分界线，对图像进行分割。“分水岭”这个名字与一种地貌特点有关，它的思想是，把图像的灰度看作一张地形图，其中像素的灰度表示该地点的高度。灰度值低的区域是低地，灰度值越高，地势越高。
       低地聚集的地方如同一块盆地，如果模拟向整片区域注水，那么每块盆地将成为一个单独的积水区，即图像上的分割区域，盆地与盆地之间的边界就是区域的边界。随着注水的量越来越多，盆地的积水面积会不断扩大，边界区域则会越来越小，最后形成的分割边界就是分水岭。
       分水岭算法能较好地适用于复杂背景下的目标分割，特别是具有蜂窝状结构的画面的内容分割。Halcon 中使用watersheds 算子提取图像的分水岭。该算子的原型如下：
       watersheds( Image : Basins, Watersheds : : )
       其中各参数的含义如下。
       1）、参数1：Image为输入的图像，一般为单通道图像。这里要注意，因为盆地一般指的是灰度值低的区域，所以如果前景目标比较亮而背景比较暗，可以在导入图像后使用 invert＿image 算子将图像颜色进行反转。
       2）、参数2：Basins为输出的盆地区域。
       3）、参数3：Watersheds为输出的分水岭区域。一般一幅输入图像对应一个分水岭区域，而输出的Basins区域则是多个区域的集合。
       注意：如果图像上包含过多的精细区域或者噪点，输出的区域数量将非常庞大，并影响算法的速度。

二、watersheds＿threshold算子

       除了 watersheds 算子外，也可以使用watersheds＿threshold算子进行分水岭分割。二者的区别在于，后者比前者多了一步操作，即在得到初步的分水岭分割结果之后，将灰度小于阈值的分水岭合并。具体来说，假设分水岭的最小灰度为W_min，分水岭两侧的“洼地”区域的最小灰度分别为B₁、B₂，如果max｛（W_min-B₁，），（W_min-B₂，）｝的值小于阈值，则将这两个“洼地”区域合并，分水岭消失。通过这样的阈值处理，符合灰度阈值条件的灰度“洼地”区域即被提取出来。该算子的原型如下：
       watersheds_threshold(Image : Basins:Threshold:)
       其中各参数的含义如下。
       1）、参数1：Image为输入的图像，一般为单通道图像。如果前景目标比较亮而背景比较暗，可以在导入图像后使用invert＿image 算子将图像颜色进行反转。
       2）、参数2：Basins为输出的盆地区域。
       3）、参数3：Threshold为设置的灰度阈值。建议该值不要超过原图的最大灰度，否则将无法提取出分水岭，图像整体将作为一个区域被提取出来。
       这里以一个实际场景图片为例，介绍图像分水岭算法的算子与应用。案例的图像如下图所示，其中：左图为输入的原始图像，中图为使用Watersheds算子进行分割的结果，右图为提取出的缺陷区域，并以不同的颜色对分割出的区域进行了区分。

       使用分水岭算法进行分割的代码如下：

*输入待检测的木材图像
read_image (Image, 'data/woodboard')
*将原始图转化为灰度图，便于后续的平滑处理
rgb1_to_gray (Image, GrayImage)
*对单通道图像进行高斯平滑处理，以去除噪声
gauss_filter (GrayImage, ImageGauss,11)
*对高斯平滑后的图像进行分水岭处理与阈值分割，提取出盆地区域
watersheds (ImageGauss, Basinsl, Watersheds)
watersheds_ threshold(ImageGauss, Basins, 50)

       经过上述步骤，即可得到图像中的灰度“洼地”区域，结合图像的内容，这部分区域即为木材缺陷的局部区域。

---

参考文献

1、Halcon机器视觉算法原理与编程实战/杨青编著.北京大学出版社