分水岭算法.docx

分水岭算法.docx

《分水岭算法.docx》由会员分享，可在线阅读，更多相关《分水岭算法.docx（21页珍藏版）》请在冰豆网上搜索。

分水岭算法

图像处理——分水岭算法

分水岭算法是一种图像区域分割法，在分割的过程中，它会把跟临近像素间的相似性作为重要的参考依据，从而将在空间位置上相近并且灰度值相近（求梯度）的像素点互相连接起来构成一个封闭的轮廓。

分水岭算法常用的操作步骤：

彩色图像灰度化，然后再求梯度图，最后在梯度图的基础上进行分水岭算法，求得分段图像的边缘线。

下面左边的灰度图，可以描述为右边的地形图，地形的高度是由灰度图的灰度值决定，灰度为0对应地形图的地面，灰度值最大的像素对应地形图的最高点。

我们可以自己编程实现灰度图的地形图显示，工程FirstOpenCV6就实现了简单的这个功能，比如上边的灰度图，显示为：

对灰度图的地形学解释，我们我们考虑三类点：

1.局部最小值点，该点对应一个盆地的最低点，当我们在盆地里滴一滴水的时候，由于重力作用，水最终会汇聚到该点。

注意：

可能存在一个最小值面，该平面内的都是最小值点。

2.盆地的其它位置点，该位置滴的水滴会汇聚到局部最小点。

3.盆地的边缘点，是该盆地和其它盆地交接点，在该点滴一滴水，会等概率的流向任何一个盆地。

假设我们在盆地的最小值点，打一个洞，然后往盆地里面注水，并阻止两个盆地的水汇集，我们会在两个盆地的水汇集的时刻，在交接的边缘线上（也即分水岭线），建一个坝，来阻止两个盆地的水汇集成一片水域。

这样图像就被分成2个像素集，一个是注水盆地像素集，一个是分水岭线像素集。

下面的gif图很好的演示了分水岭算法的效果：

在真实图像中，由于噪声点或者其它干扰因素的存在，使用分水岭算法常常存在过度分割的现象，这是因为很多很小的局部极值点的存在，比如下面的图像，这样的分割效果是毫无用处的。

为了解决过度分割的问题，可以使用基于标记（mark）图像的分水岭算法，就是通过先验知识，来指导分水岭算法，以便获得更好的图像分段效果。

通常的mark图像，都是在某个区域定义了一些灰度层级，在这个区域的洪水淹没过程中，水平面都是从定义的高度开始的，这样可以避免一些很小的噪声极值区域的分割。

下面的gif图很好的演示了基于mark的分水岭算法过程：

上面的过度分段图像，我们通过指定mark区域，可以得到很好的分段效果：

Opencv中watershed函数原型：

[cpp] viewplain copy

1.void watershed（ InputArray image, InputOutputArray markers ）;  

第一个参数image，必须是一个8bit3通道彩色图像矩阵序列，第一个参数没什么要说的。

关键是第二个参数markers，Opencv官方文档的说明如下：

Beforepassingtheimagetothefunction,youhavetoroughlyoutlinethedesiredregionsintheimagemarkerswithpositive（>0）indices.So,everyregionisrepresentedasoneormoreconnectedcomponentswiththepixelvalues1,2,3,andsoon.SuchmarkerscanberetrievedfromabinarymaskusingfindContours（）anddrawContours（）.Themarkersare“seeds”ofthefutureimageregions.Alltheotherpixelsinmarkers,whoserelationtotheoutlinedregionsisnotknownandshouldbedefinedbythealgorithm,shouldbesetto0’s.Inthefunctionoutput,eachpixelinmarkersissettoavalueofthe“seed”componentsorto-1atboundariesbetweentheregions.

就不一句一句翻译了，大意说的是在执行分水岭函数watershed之前，必须对第二个参数markers进行处理，它应该包含不同区域的轮廓，每个轮廓有一个自己唯一的编号，轮廓的定位可以通过Opencv中findContours方法实现，这个是执行分水岭之前的要求。

接下来执行分水岭会发生什么呢？

算法会根据markers传入的轮廓作为种子（也就是所谓的注水点），对图像上其他的像素点根据分水岭算法规则进行判断，并对每个像素点的区域归属进行划定，直到处理完图像上所有像素点。

而区域与区域之间的分界处的值被置为“-1”，以做区分。

简单概括一下就是说第二个入参markers必须包含了种子点信息。

Opencv官方例程中使用鼠标划线标记，其实就是在定义种子，只不过需要手动操作，而使用findContours可以自动标记种子点。

而分水岭方法完成之后并不会直接生成分割后的图像，还需要进一步的显示处理，如此看来，只有两个参数的watershed其实并不简单。

下边通过图示来看一下watershed函数的第二个参数markers在算法执行前后发生了什么变化。

对于一个原图：

经过灰度化、滤波、Canny边缘检测、findContours轮廓查找、轮廓绘制等步骤后终于得到了符合Opencv要求的merkers，我们把merkers转换成8bit单通道灰度图看看它里边到底是什么内容：

这个是分水岭运算前的merkers：

这个是findContours检测到的轮廓：

看效果，基本上跟图像的轮廓是一样的，也是简单的勾勒出了物体的外形。

但如果仔细观察就能发现，图像上不同线条的灰度值是不同的，底部略暗，越往上灰度越高。

由于这幅图像边缘比较少，对比不是很明显，再来看一幅轮廓数量较多的图效果：

这个是分水岭运算前的merkers：

这个是findContours检测到的轮廓：

从这两幅图对比可以很明显看到，从图像底部往上，线条的灰度值是越来越高的，并且merkers图像底部部分线条的灰度值由于太低，已经观察不到了。

相互连接在一起的线条灰度值是一样的，这些线条和不同的灰度值又能说明什么呢？

答案是：

每一个线条代表了一个种子，线条的不同灰度值其实代表了对不同注水种子的编号，有多少不同灰度值的线条，就有多少个种子，图像最后分割后就有多少个区域。

再来看一下执行完分水岭方法之后merkers里边的内容发生了什么变化：

可以看到，执行完watershed之后，merkers里边被分割出来的区域已经非常明显了，空间上临近并且灰度值上相近的区域被划分为一个区域，灰度值是一样，不同区域间被划分开，这其实就是分水岭对图像的分割效果了。

总的概括一下watershed图像自动分割的实现步骤：

1.图像灰度化、滤波、Canny边缘检测

2.查找轮廓，并且把轮廓信息按照不同的编号绘制到watershed的第二个入参merkers上，相当于标记注水点。

3.watershed分水岭运算

4.绘制分割出来的区域，视觉控还可以使用随机颜色填充，或者跟原始图像融合以下，以得到更好的显示效果。

以下是Opencv分水岭算法watershed实现的完整过程：

[cpp] viewplain copy

1.#include "opencv2/imgproc/imgproc.hpp"  

2.#include "opencv2/highgui/highgui.hpp"  

3.  

4.#include   

5.  

6.using namespace cv;  

7.using namespace std;  

8.  

9.Vec3b RandomColor（int value）;  //生成随机颜色函数  

10.  

11.int main（ int argc, char* argv[] ）  

12.{  

13.    Mat image=imread（argv[1]）;    //载入RGB彩色图像  

14.    imshow（"Source Image",image）;  

15.  

16.    //灰度化，滤波，Canny边缘检测  

17.    Mat imageGray;  

18.    cvtColor（image,imageGray,CV_RGB2GRAY）;//灰度转换  

19.    GaussianBlur（imageGray,imageGray,Size（5,5）,2）;   //高斯滤波  

20.    imshow（"Gray Image",imageGray）;   

21.    Canny（imageGray,imageGray,80,150）;    

22.    imshow（"Canny Image",imageGray）;  

23.  

24.    //查找轮廓  

25.    vector> contours;    

26.    vector hierarchy;    

27.    findContours（imageGray,contours,hierarchy,RETR_TREE,CHAIN_APPROX_SIMPLE,Point（））;    

28.    Mat imageContours=Mat:

:

zeros（image.size（）,CV_8UC1）;  //轮廓     

29.    Mat marks（image.size（）,CV_32S）;   //Opencv分水岭第二个矩阵参数  

30.    marks=Scalar:

:

all（0）;  

31.    int index = 0;  

32.    int compCount = 0;  

33.    for（ ; index >= 0; index = hierarchy[index][0], compCount++ ）   

34.    {  

35.        //对marks进行标记，对不同区域的轮廓进行编号，相当于设置注水点，有多少轮廓，就有多少注水点  

36.        drawContours（marks, contours, index, Scalar:

:

all（compCount+1）, 1, 8, hierarchy）;  

37.        drawContours（imageContours,contours,index,Scalar（255）,1,8,hierarchy）;    

38.    }  

39.  

40.    //我们来看一下传入的矩阵marks里是什么东西  

41.    Mat marksShows;  

42.    convertScaleAbs（marks,marksShows）;  

43.    imshow（"marksShow",marksShows）;  

44.    imshow（"轮廓",imageContours）;  

45.    watershed（image,marks）;  

46.  

47.    //我们再来看一下分水岭算法之后的矩阵marks里是什么东西  

48.    Mat afterWatershed;  

49.    convertScaleAbs（marks,afterWatershed）;  

50.    imshow（"After Watershed",afterWatershed）;  

51.  

52.    //对每一个区域进行颜色填充  

53.    Mat PerspectiveImage=Mat:

:

zeros（image.size（）,CV_8UC3）;  

54.    for（int i=0;i

55.    {  

56.        for（int j=0;j

57.        {  

58.            int index=marks.at（i,j）;  

59.            if（marks.at（i,j）==-1）  

60.            {  

61.                PerspectiveImage.at（i,j）=Vec3b（255,255,255）;  

62.            }              

63.            else  

64.            {  

65.                PerspectiveImage.at（i,j） =RandomColor（index）;  

66.            }  

67.        }  

68.    }  

69.    imshow（"After ColorFill",PerspectiveImage）;  

70.  

71.    //分割并填充颜色的结果跟原始图像融合  

72.    Mat wshed;  

73.    addWeighted（image,0.4,PerspectiveImage,0.6,0,wshed）;  

74.    imshow（"AddWeighted Image",wshed）;  

75.  

76.    waitKey（）;  

77.}  

78.  

79.Vec3b RandomColor（int value）    

 20.8px; font-family:

 sans-serif;">//生成随机颜色函数  

80.{  

81.    value=value%255;  //生成0~255的随机数  

82.    RNG rng;  

83.    int aa=rng.uniform（0,value）;  

84.    int bb=rng.uniform（0,value）;  

85.    int cc=rng.uniform（0,value）;  

86.    return Vec3b（aa,bb,cc）;  

87.}  

第一幅图像分割效果：

按比例跟原始图像融合：

第二幅图像原始图：

分割效果：

按比例跟原始图像融合：