win10+Python3.7.3+OpenCV3.4.1⼊门学习（⼗七图像分割与提取）—。。。Python版本是Python3.7.3，OpenCV版本OpenCV 3.4.1，开发环境为PyCharm
17.2 相关函数介绍
在OpenCV中，可以使⽤函数cv2.watershed()实现分⽔岭算法。在具体的实现过程中，还需要借助于形态学函数、距离变换函数
cv2.distanceTransform()、tedComponents()来完成图像分割。下⾯对分⽔岭算法中⽤到的函数进⾏简单的说明。1．形态学函数回顾
在使⽤分⽔岭算法对图像进⾏分割前，需要对图像进⾏简单的形态学处理。先回顾⼀下形态学⾥的基本操作。
（1）开运算
开运算是先腐蚀、后膨胀的操作，开运算能够去除图像内的噪声。例如，在下图中，先对左图进⾏腐蚀操作，会得到中间的图像，再对中间的图像进⾏膨胀操作，会得到右侧的图像。对左图进⾏开运算（先腐蚀、后膨胀）后，我们得到了右图。通过观察可知，左图在经过开运算后变成右图以后，上⾯的⽑刺（噪声信息）已经被去除了。
对图像进⾏开运算，能够去除图像内的噪声。在⽤分⽔岭算法处理图像前，要先使⽤开运算去除图像内的噪声，以避免噪声对图像分割可能造成的⼲扰。
（2）获取图像边界
通过形态学操作和减法运算能够获取图像的边界。例如，在下图中，左图是原始图像，中间的图是对其进⾏腐蚀⽽得到的图像，对⼆者进⾏减法运算，就会得到右侧的图像。通过观察可知，右图是左图的边界。
eg1：使⽤形态学变换，获取⼀幅图像的边界信息，并观察效果。
代码如下：
pycharm安装教程win10import cv2
import numpy as np
import matplotlib.pyplot as plt
o=cv2.imread("rice.png",cv2.IMREAD_UNCHANGED)
s((5,5),np.uint8)
de(o,k)
b=cv2.subtract(o,e)
plt.subplot(131)
plt.imshow(o)
plt.axis('off')
plt.subplot(132)
plt.imshow(e)
plt.axis('off')
plt.subplot(133)
plt.imshow(b)
plt.axis('off')
plt.show()
运⾏上述程序，得到结果如下图所⽰，其中左图是原始图像，中间的图是对其进⾏腐蚀⽽得到的图像，右图是原始图像减去腐蚀图像后得到的边界图像。可以看到，右图⽐较准确地显⽰出了左图内前景对象的边界信息。
通过以上分析可知，使⽤形态学操作和减法运算能够获取图像的边界信息。但是，形态学操作仅适⽤于⽐较简单的图像。如果图像内的前景对象存在连接的情况，使⽤形态学操作就⽆法准确获取各个⼦图像的边界了。
2．距离变换函数distanceTransform
当图像内的各个⼦图没有连接时，可以直接使⽤形态学的腐蚀操作确定前景对象，但是如果图像内的⼦图连接在⼀起时，就很难确定前景对象了。此时，借助于距离变换函数cv2.distanceTransform()可以⽅便地将前景对象提取出来。
距离变换函数cv2.distanceTransform()计算⼆值图像内任意点到最近背景点的距离。⼀般情况下，该函数计算的是图像内⾮零值像素点到最近的零值像素点的距离，即计算⼆值图像中所有像素点距离其最近的值为0的像素点的距离。当然，如果像素点本⾝的值为0，则这个距离也为0。
距离变换函数cv2.distanceTransform()的计算结果反映了各个像素与背景（值为0的像素点）的距离关系。通常情况下：
● 如果前景对象的中⼼（质⼼）距离值为0的像素点距离较远，会得到⼀个较⼤的值。
● 如果前景对象的边缘距离值为0的像素点较近，会得到⼀个较⼩的值。
如果对上述计算结果进⾏阈值化，就可以得到图像内⼦图的中⼼、⾻架等信息。距离变换函数cv2.distanceTransform()可以⽤于计算对象的中⼼，还能细化轮廓、获取图像前景等，有多种功能。
距离变换函数cv2.distanceTransform()的语法格式为：
dst=cv2.distanceTransform(src, distanceType, maskSize[, dstType]])
式中：
● src是8位单通道的⼆值图像。
● distanceType为距离类型参数，其具体值和含义如下表所⽰。
● maskSize为掩模的尺⼨，其可能的值如下表所⽰。需要注意，当distanceType=cv2.DIST_L1或cv2.DIST_C时，maskSize强制为
3（因为设置为3和设置为5及更⼤值没有什么区别）。
● dstType为⽬标图像的类型，默认值为CV_32F。
● dst表⽰计算得到的⽬标图像，可以是8位或32位浮点数，尺⼨和src相同。
eg2：使⽤距离变换函数cv2.distanceTransform()，计算⼀幅图像的确定前景，并观察效果。
代码如下：
import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('water_coins.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
py()
ret, thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
kernel = np.ones((3,3),np.uint8)
opening = phologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations = 2)
dist_transform = cv2.distanceTransform(opening,cv2.DIST_L2,5)
ret, fore = cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0)
plt.subplot(131)
plt.imshow(ishow)
plt.axis('off')
plt.subplot(132)
plt.imshow(dist_transform)
plt.axis('off')
plt.subplot(133)
plt.imshow(fore)
plt.axis('off')
plt.show()
运⾏上述程序，得到结果如下图所⽰。其中：
● 左图是原始图像。
● 中间的是距离变换函数cv2.distanceTransform()计算得到的距离图像。
● 右图是对距离图像进⾏阈值化处理后的结果图像。
从下图可以看到，右图⽐较准确地显⽰出左图内的“确定前景”。这⾥的确定前景，通常是指前景对象的
中⼼。之所以认为这些点是确定前景，是因为它们距离背景点的距离⾜够远，都是距离⼤于⾜够⼤的固定阈值（0.7*dist_transform.max()）的点。
3．确定未知区域
使⽤形态学的膨胀操作能够将图像内的前景“膨胀放⼤”。当图像内的前景被放⼤后，背景就会被“压缩”，所以此时得到的背景信息⼀定⼩于实际背景的，不包含前景的“确定背景”。以下为了⽅便说明将确定背景称为B。
距离变换函数cv2.distanceTransform()能够获取图像的“中⼼”，得到“确定前景”。为了⽅便说明，将确定前景称为F。
图像中有了确定前景F和确定背景B，剩下区域的就是未知区域UN了。这部分区域正是分⽔岭算法要进⼀步明确的区域。
针对⼀幅图像O，通过以下关系能够得到未知区域UN：
未知区域UN=图像O-确定背景B-确定前景F
对上述表达式进⾏整理，可以得到：
未知区域UN=（图像O-确定背景B）- 确定前景F
上式中的“图像O-确定背景B”，可以通过对图像进⾏形态学的膨胀操作得到。
eg3：标注⼀幅图像的确定前景、确定背景及未知区域。
代码如下：
import numpy as np
import cv2
import matplotlib.pyplot as plt
img = cv2.imread('water_coins.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
img=cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
py()
ret, thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
kernel = np.ones((3,3),np.uint8)
opening = phologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations = 2)
bg= cv2.dilate(opening,kernel,iterations=3)
dist = cv2.distanceTransform(opening,cv2.DIST_L2,5)
ret, fore = cv2.threshold(dist,0.7*dist.max(),255,0)
fore = np.uint8(fore)
un = cv2.subtract(bg,fore)
plt.subplot(221)
plt.imshow(ishow)
plt.axis('off')
plt.subplot(222)
plt.imshow(bg)
plt.axis('off')
plt.subplot(223)
plt.imshow(fore)
plt.axis('off')
plt.subplot(224)
plt.imshow(un)
plt.axis('off')
plt.show()
运⾏上述程序，得到的结果如下图所⽰。其中：
● 左上⾓是原始图像ishow。
● 右上⾓是对图像ishow进⾏膨胀后得到的图像bg，其背景图像是确定背景，前景图像是“原始图像-确定背景”。
● 左下⾓是确定前景图像fore。
● 右下⾓图像中的⼩圆环就是未知区域图像un，是由图像bg和图像fore相减得到的。也就是说，未知区域图像un来源于“原始图像-确定背景-确定前景”。
值得注意的是，在图下右上⾓的图像bg中：
● 前景的⼀个个⼩圆是“原始图像-确定背景”部分，⽽不是“确定背景”。
● 其背景图像才是“确定背景”。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。