【图像分割】传统分割算法—分水岭算法（包含基于opencv的实例展示）
一、分水岭算法原理
分水岭算法将图像看作地理学中的地形表面，图像中的高灰度值区域被看作山峰，低灰度值区域被看作山谷。进而实现图像的分割。
假如我们向“山谷”中注水，水位则会逐渐升高，然后不同山谷的水就会汇集在一起，如果我们阻止来自不同山谷的水汇集，我们需在水流可能交汇处建立堤坝，我们需要把图像分成两个不同的集合：集水盆地和分水岭线。我们建立的堤坝即是分水岭线，也即是对原图像的分割。
但是由于图像中的噪声或任何其他不规则性，这种方法会造成过度分割的结果。所以OpenCV实现了一种基于标记的分水岭算法，您可以指定哪些是所有要合并的山谷点，哪些不是。这是一种交互式图像分割。我们所做的是为我们知道的对象给出不同的标签。用一种颜色（或强度）标记我们确定是前景或对象的区域，用另一种颜色标记我们确定是背景或非对象的区域，最后用0标记我们不确定的区域。这就是我们的标记。然后应用分水岭算法。然后我们的标记将使用我们给出的标签进行更新，并且对象的边界将具有-1的值。
二、利用opencv实现分水岭算法的步骤：
- 找到图像前景的近似估计，可以使用
Otsu的二值化。 - 通过形态学开运算实现原始图像O的去噪。
- 通过膨胀操作获取“确定背景B"。
- 利用距离变换函数
cv2.distanceTransform()对图像进行处理，并对其结果进行阈值分割，得到”确定前景F“。 - 计算未知区域UN。
UN=O-B-F。 - 利用
cv.connectedComponents()实现原始图像O的标注工作。 - 对
cv.connectedComponents()的标注结果进行修正。 - 使用分水岭分割函数
cv.watershed()完成对图像的分割。
三、算法实例
下面我们以下图相接触的硬币图像为例，分割获取硬币的范围。
1.获取硬币的近似估计
import numpy as np
import cv2 as cv
from matplotlib import pyplot as plt
img = cv.imread('coins.png')
assert img is not None, "file could not be read, check with os.path.exists()"
gray = cv.cvtColor(img,cv.COLOR_BGR2GRAY)
ret, thresh = cv.threshold(gray,0,255,cv.THRESH_BINARY_INV+cv.THRESH_OTSU)
2.图像去噪
# noise removal
kernel = np.ones((3,3),np.uint8)
opening = cv.morphologyEx(thresh,cv.MORPH_OPEN,kernel, iterations = 2)
3.确定背景区域
# sure background area
sure_bg = cv.dilate(opening,kernel,iterations=3)
4.确定前景区域
# Finding sure foreground area
dist_transform = cv.distanceTransform(opening,cv.DIST_L2,5)
ret, sure_fg = cv.threshold(dist_transform,0.7*dist_transform.max(),255,0)
5.确定未知区域
# Finding unknown region
sure_fg = np.uint8(sure_fg)
unknown = cv.subtract(sure_bg,sure_fg)
6.实现图像标注以及修复处理
# Marker labelling
ret, markers = cv.connectedComponents(sure_fg)
# Add one to all labels so that sure background is not 0, but 1
markers = markers+1
# Now, mark the region of unknown with zero
markers[unknown==255] = 0
7.应用分水岭算法实现分割
markers = cv.watershed(img,markers)
# The boundary region will be marked with -1.
img[markers == -1] = [255,0,0]
注意：以上方法中通过距离函数确定未知区域是针对物体相互接触的情况，对于物体独立，没有相互接触的情况，可以在膨胀操作后，进行腐蚀操作，然后前者减去后者，即得到未知区域：
sure_bg = cv2.dilate(opening, kernel, iterations=3) # sure background area
sure_fg = cv2.erode(opening, kernel, iterations=3) # sure foreground area
unknown = cv2.subtract(sure_bg, sure_fg) # unknown area