Python+Opencv分水岭算法

我不是女神ヾ 2021-12-01 15:26 465阅读 0赞

### 目录 ###

*   *  一、分水岭算法（Watershed）简介
     *  二、分水岭算法实现步骤
     *  三、阈值和轮廓检测硬币分割代码实现与分析
     *  四、分水岭硬币分割代码实现
     *  五、代码效果展示与分析
     *  参考资料
     *  注意事项

## 一、分水岭算法（Watershed）简介 ##

所有的灰度图像都可视为拓扑平面,我们将灰度值高的区域看成山峰,将灰度值低的区域看成山谷,我们向图像上所有的"山谷"中注入不同颜色的水,不断的注水,水位则会不断上升,注入的水将灌满山谷,并可能淹没山峰,为了防止不同颜色的山谷中的水溢出汇合,我们可在汇合的地方筑起堤坝,故可将堤坝看作是对图像的分割后形成的边界。具体的事例如下图所示。  
![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center]

## 二、分水岭算法实现步骤 ##

**步骤1**\-构建梯度图像。  
**步骤2**\-通过一定规则生成n个最初的注水区域（先验知识或局部梯度最小值）。  
**步骤3**\-往注水区域内加水，当两注水区域即将合并时，记录下此时的边界。  
**步骤4**\-当图像边缘彻底被分割成n个独立区域是算法结束。  
具体的实现过程如下图所示：  
![在这里插入图片描述][2019072021453842.gif_pic_center]

## 三、阈值和轮廓检测硬币分割代码实现与分析 ##

# coding=utf-8
    # 导入python包
    from __future__ import print_function
    from skimage.feature import peak_local_max
    from skimage.morphology import watershed
    from scipy import ndimage
    import argparse
    import imutils
    import cv2
    
    # 设置参数并进行参数解析
    ap = argparse.ArgumentParser()
    ap.add_argument("-i", "--image", required=True, help="path to input image")
    args = vars(ap.parse_args())
    
    # 读取图片
    image = cv2.imread(args["image"])
    # 进行mean—shift滤波
    shifted = cv2.pyrMeanShiftFiltering(image, 21, 51)
    cv2.imshow("Input", image)
    
    # 进行图片灰度化处理
    gray = cv2.cvtColor(shifted, cv2.COLOR_BGR2GRAY)
    # 进行阈值分割
    thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    cv2.imshow("Thresh", thresh)
    
    # 在阈值图片中寻找轮廓
    cnts = cv2.findContours(thresh.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    cnts = imutils.grab_contours(cnts)
    print("[INFO] {} unique contours found".format(len(cnts)))
    
    # 遍历所有的轮廓并依次显示不同的结果
    for (i, c) in enumerate(cnts):
    	((x, y), _) = cv2.minEnclosingCircle(c)
    	cv2.putText(image, "#{}".format(i + 1), (int(x) - 10, int(y)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2)
    	cv2.drawContours(image, [c], -1, (0, 255, 0), 2)
    
    # 显示输出结果
    cv2.imshow("Image", image)
    cv2.waitKey(0)

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center 1]  
  上图展示了使用阈值和轮廓的分割结果。通过观察上图我们可以发现，阈值分割并不能很好的将硬币区分开来，轮廓检测算法也不能很好的获取所有的硬币的完整轮廓，即这两种思路都不能很好的解决硬币检测问题。

## 四、分水岭硬币分割代码实现 ##

# coding=utf-8
    # 导入相应的python包
    from skimage.feature import peak_local_max
    from skimage.morphology import watershed
    from scipy import ndimage
    import numpy as np
    import argparse
    import imutils
    import cv2
    
    # 设置并解析参数
    ap = argparse.ArgumentParser()
    ap.add_argument("-i", "--image", required=True, help="path to input image")
    args = vars(ap.parse_args())
    
    # 读取图片
    image = cv2.imread(args["image"])
    # 进行mean shift滤波
    shifted = cv2.pyrMeanShiftFiltering(image, 21, 51)
    cv2.imshow("Input", image)
    
    # 进行灰度化处理
    gray = cv2.cvtColor(shifted, cv2.COLOR_BGR2GRAY)
    # 进行阈值分割
    thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]
    cv2.imshow("Thresh", thresh)
    
    # 计算从每个二元像素到最近零像素的精确欧几里得距离，然后在距离图中找到峰值
    D = ndimage.distance_transform_edt(thresh)
    localMax = peak_local_max(D, indices=False, min_distance=20, labels=thresh)
    
    # 利用8连通性对局部峰进行连通分量分析，然后应用分水岭算法
    markers = ndimage.label(localMax, structure=np.ones((3, 3)))[0]
    labels = watershed(-D, markers, mask=thresh)
    print("[INFO] {} unique segments found".format(len(np.unique(labels)) - 1))
    
    # 循环显示标签
    for label in np.unique(labels):
    	# 如果该标签为0，则表示其为背景，直接忽略
    	if label == 0:
    		continue
    
    	# 为标签区域分配内存并将在mask上绘制结果
    	mask = np.zeros(gray.shape, dtype="uint8")
    	mask[labels == label] = 255
    
    	# 在mask上检测轮廓并获得最大的一个轮廓
    	cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    	cnts = imutils.grab_contours(cnts)
    	c = max(cnts, key=cv2.contourArea)
    
    	# 画一个圈把物体围起来
    	((x, y), r) = cv2.minEnclosingCircle(c)
    	cv2.circle(image, (int(x), int(y)), int(r), (0, 255, 0), 2)
    	cv2.putText(image, "#{}".format(label), (int(x) - 10, int(y)), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2)
    
    # 显示最终结果
    cv2.imshow("Output", image)
    cv2.waitKey(0)

**运行方法：python watershed\_segement.py --image 图片 （这里的图片需要更换为自己的图片）**

## 五、代码效果展示与分析 ##

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center 2]  
  上图展示了分水岭硬币分割代码的运行结果。通过观察这些结果，我们可以获得一些信息，即使用分水岭算法可以很好地将具有重叠的硬币分割开来，并自动的对图片中的硬币个数进行统计。

## 参考资料 ##

\[1\] [参考链接][Link 1]

## 注意事项 ##

\[1\] 该博客是本人原创博客，如果您对该博客感兴趣，想要转载该博客，请与我联系（qq邮箱：1575262785@qq.com）,我会在第一时间回复大家，谢谢大家的关注.  
\[2\] 由于个人能力有限，该博客可能存在很多的问题，希望大家能够提出改进意见。  
\[3\] 如果您在阅读本博客时遇到不理解的地方，希望您可以联系我，我会及时的回复您，和您交流想法和意见，谢谢。  
\[4\] 本文测试的图片可以通过该链接进行下载。[网盘链接][Link 2]\-提取码：w2ss。  
\[5\] **本人业余时间承接各种本科毕设设计和各种小项目，包括图像处理（数据挖掘、机器学习、深度学习等）、matlab仿真、python算法及仿真等，有需要的请加QQ：1575262785详聊，备注“项目”！！！**

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center]: /images/20211201/0e616d3c872a414b922002e3d67fbcd5.png
[2019072021453842.gif_pic_center]: /images/20211201/9dbe50e0c621493b9f9fc04d93361876.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center 1]: /images/20211201/28c0a5618b29462ba2605ec23a7ed5e4.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L1daWjE4MTkxMTcxNjYx_size_16_color_FFFFFF_t_70_pic_center 2]: /images/20211201/28cbbe09bcc548589443a1dffcc4e05a.png
[Link 1]: https://www.pyimagesearch.com/2015/11/02/watershed-opencv/
[Link 2]: https://pan.baidu.com/s/14XoaQBBp4vgMW0GZSnW7zQ