OpenCV图像分割之分水岭算法与图像金字塔算法详解
作者:机器视觉小学徒 发布时间:2022-11-27 07:59:24
前言
主要介绍OpenCV中的分水岭算法、图像金字塔对图像进行分割的方法。
一、使用分水岭算法分割图像
分水岭算法的基本原理为:将任意的灰度图像视为地形图表面,其中灰度值高的部分表示山峰和丘陵,而灰度值低的地方表示山谷。用不同颜色的水(标签)填充每个独立的山谷(局部最小值);随着水平面的上升,来自不同山谷(具有不同颜色)的水将开始合并。为了避免出现这种情况,需要在水汇合的位置建造水坝;持续填充水和建造水坝,直到所有的山峰和丘陵都在水下。整个过程中建造的水坝将作为图像分割的依据。
使用分水岭算法执行图像分割操作时通常包含下列步骤:
(1) 将原图转换为灰度图像
(2) 应用形态变换中的开运算和膨胀操作,去除图像噪声,获得图像边缘信息,确定图像背景
(3) 进行距离转换,再进行阈值处理,确定图像前景
(4) 确定图像的未知区域(用图像的背景减去前景剩余的部分)
(5) 标记背景图像
(6) 执行分水岭算法分割图像
1、cv2.distanceTransform()函数
OpenCV中的cv2.distanceTransform()函数用于计算非0值像素点到0值(背景)像素点的距离,其基本格式如下:
dst = cv2.distanceTransform(src, distanceType, maskSize[, dstType])
dst
为返回的距离转换结果图像
src
为原图像, 必须是8为单通道二值图像
distanceType
为距离类型
maskSize
为掩膜的大小, 可设置为0, 3或5
dstType
为返回的图像类型, 默认值为CV_32F(32位浮点数)
import cv2
import numpy as np
import matplotlib.pyplot as plt
# cv2.distanceTransform()函数,计算非0值像素点到0值(背景)像素点的距离
img = cv2.imread('home.jpg')
cv2.imshow('original', img)
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度操作
cv2.imshow('gray', img_gray)
ret, thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 阈值操作
cv2.imshow('thresh', thresh)
kernel = np.ones((3, 3), np.uint8)
img_open = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2) # 形态学操作
cv2.imshow('open', img_open)
img_dilate = cv2.dilate(img_open, kernel, iterations=2) # 膨胀操作,确定背景
cv2.imshow('img_dilate', img_dilate)
img_dist = cv2.distanceTransform(img_dilate , cv2.DIST_L2, 5) # 距离转换
cv2.imshow('img_dist', img_dist)
cv2.waitKey(0)
cv2.destroyAllWindows()
2、cv2.connectedComponents()函数
OpenCV中的cv2.connectedComponents()函数用于将图像中的背景标记为0,将其他图像标记为从1开始的整数,其基本格式如下:
ret, labels = cv2.connectedComponents(image[, connectivity[, ltype]])
labels
为返回的标记结果图像, 和image大小一样
image
为要标记的8位单通道图像
connectivity
为4或8(默认值), 表示连接性
ltype
为返回的标记结果图像的类型
# cv2.connectedComponents()函数,将图像中的背景标记为0,将其他图像标记为从1开始的整数
ret, imgfg = cv2.threshold(img_dist, 0.7*img_dist.max(), 255, cv2.THRESH_TRUNC)
imgfg = np.uint8(imgfg)
ret, markers = cv2.connectedComponents(imgfg)
plt.imshow(imgfg,cmap='gray')
plt.title('imgfg')
plt.axis('off')
plt.show()
plt.imshow(markers,cmap='gray')
plt.title('markers')
plt.axis('off')
plt.show()
3、cv2.watershed()函数
OpenCV中的cv2.watershed()函数用于执行分水岭算法分割图像,其基本格式如下:
ret = cv2.watershed(image, markers)
ret
为返回的8位或32位单通道图像
image
为输入的8位或32位单通道图像
markers
为输入的32位单通道图像
# cv2.watershed()函数,执行分水岭算法分割图像
img = cv2.imread('qizi.jpg')
img_gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 灰度操作
ret, thresh = cv2.threshold(img_gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 阈值操作
kernel = np.ones((3, 3), np.uint8)
img_open = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2) # 形态学操作
img_dilate = cv2.dilate(img_open, kernel, iterations=3) # 膨胀操作(确定背景)
img_dist = cv2.distanceTransform(img_open, cv2.DIST_L2, 0)
ret, img_fg = cv2.threshold(img_dist, 0.7*img_dist.max(), 255, 2) # 距离操作(确定前景)
img_fg = np.uint8(img_fg)
ret, markers = cv2.connectedComponents(img_fg)
unknown = cv2.subtract(img_dilate, img_fg)# 确定位置未知区域
markers = markers + 1# 加1使背景不为0
markers[unknown == 255] = 0# 将未知区域设置为0
img_water = cv2.watershed(img, markers)# 执行分水岭算法
plt.imshow(img_water, cmap='gray')
plt.title('watershed')
plt.axis('off')
plt.show()
img[img_water == -1] = [0, 255, 0]# 将原图中的被标记点设置为绿色
cv2.namedWindow('watershed', cv2.WINDOW_NORMAL)
cv2.imshow('watershed', img)
cv2.waitKey(0)
cv2.destroyAllWindows()
二、图像金字塔
图像金字塔从分辨率的角度分析处理图像。图像金字塔的底部为原始图,对原始图像进行梯次向下采样,得到金字塔的其他各层图像。层次越高,分辨率越低,图像越小。通常,每向上一层,图像的宽度和高度就为下一层的一半。常见的图像金字塔可分为高斯金字塔和拉普拉斯金字塔。
高斯金字塔有向上和向下两种采样方式。向下采样时,原始图像为第0层,第1次向下采样的结果为第1层,第2次向下采样的结果为第2层,以此类推。每次采样图像的宽度和高度都减小为原来的一半,所有的图层构成高斯金字塔。向上采样的过程和向下采样的过程相反,每次采样图像的宽度和高度都扩大为原来的二倍。
1、高斯金字塔向下采样
OpenCV中的cv2.pyrDown()函数用于执行高斯金字塔构造的向下采样步骤,其基本格式如下:
ret = cv2.pyrDown(image[, dstsize[, borderType]])
ret
为返回的结果图像, 类型和输入图像相同
image
为输入图像
dstsize
为结果图像大小
borderType
为边界类型
# 高斯金字塔向下采样
img = cv2.imread('qizi.jpg')
img1 = cv2.pyrDown(img)
img2 = cv2.pyrDown(img1)
cv2.imshow('img', img)
cv2.imshow('img1', img1)
cv2.imshow('img2', img2)
print('0层的形状:', img.shape)
print('1层的形状:', img1.shape)
print('2层的形状:', img2.shape)
cv2.waitKey(0)
cv2.destroyAllWindows()
2、高斯金字塔向上采样
OpenCV中的cv2.pyrUp()函数用于执行高斯金字塔构造的向下采样步骤,其基本格式如下:
ret = cv2.pyrUp(image[, dstsize[, borderType]])
ret
为返回的结果图像, 类型和输入图像相同
image
为输入图像
dstsize
为结果图像大小
borderType
为边界类型
3、拉普拉斯金字塔
拉普拉斯金字塔的第n层是该层高斯金字塔图像减去n+1层向上采样的结果获得的图像。
# 拉普拉斯金字塔
img = cv2.imread('qizi.jpg')
img1 = cv2.pyrDown(img)
img2 = cv2.pyrDown(img1)
img3 = cv2.pyrDown(img2)
imgL0 = cv2.subtract(img, cv2.pyrUp(img1))
imgL1 = cv2.subtract(img1, cv2.pyrUp(img2))
imgL2 = cv2.subtract(img2, cv2.pyrUp(img3))
cv2.imshow('imgL0', imgL0)
cv2.imshow('imgL1', imgL1)
cv2.imshow('imgL2', imgL2)
cv2.waitKey(0)
cv2.destroyAllWindows()
4、应用图像金字塔实现图像的分割和融合
# 应用图像金字塔实现图像融合
img1 = cv2.imread('jiang1.jpg')
img2 = cv2.imread('jiang2.jpg')
#生成图像1的高斯金字塔,向下采样6次
img = img1.copy()
img1Gaus = [img]
for i in range(6):
img = cv2.pyrDown(img)
img1Gaus.append(img)
#生成图像2的高斯金字塔,向下采样6次
img = img2.copy()
img2Gaus = [img]
for i in range(6):
img = cv2.pyrDown(img)
img2Gaus.append(img)
#生成图像1的拉普拉斯金字塔,6层
img1Laps = [img1Gaus[5]]
for i in range(5,0,-1):
img = cv2.pyrUp(img1Gaus[i])
lap = cv2.subtract(img1Gaus[i-1],img) #两个图像大小不同时,做减法会出错
img1Laps.append(lap)
#生成图像2的拉普拉斯金字塔,6层
img2Laps = [img2Gaus[5]]
for i in range(5,0,-1):
img = cv2.pyrUp(img2Gaus[i])
lap = cv2.subtract(img2Gaus[i-1],img)
img2Laps.append(lap)
#拉普拉斯金字塔拼接:图像1每层左半部分与和图像2每层右半部分拼接
imgLaps = []
for la,lb in zip(img1Laps,img2Laps):
rows,cols,dpt = la.shape
ls=la.copy()
ls[:,int(cols/2):]=lb[:,int(cols/2):]
imgLaps.append(ls)
#从拉普拉斯金字塔恢复图像
img = imgLaps[0]
for i in range(1,6):
img = cv2.pyrUp(img)
img = cv2.add(img, imgLaps[i])
#图像1原图像的半部分与和图像2原图像的右左半部分直接拼接
direct = img1.copy()
direct[:,int(cols/2):]=img2[:,int(cols/2):]
cv2.imshow('Direct',direct) #显示直接拼接结果
cv2.imshow('Pyramid',img) #显示图像金字塔拼接结果
cv2.waitKey(0)
cv2.destroyAllWindows()
来源:https://blog.csdn.net/weixin_43843069/article/details/122173685
猜你喜欢
- numpy.amin()和numpy.amax()numpy.amin()用于计算数组中元素沿着指定轴的最小值。numpy.amax()用于
- 应用场景:实验中不断得到新数据,想将数据图形化,但随着时间推移,数据越来越多,此时需要我们等距选择数据列表中固定数量的数据,来进行图形化。注
- 在我发表上一篇《Zen Coding: 一种快速编写HTML/CSS代码的方法》之后,有网友表示不知道怎么在Dreamweaver上使用ze
- Web性能优化最佳实践中最重要的一条是减少HTTP请求,它也是YSlow中比重最大的一条规则。减少HTTP请求的方案主要有合并JavaScr
- 环境Laravel 5.4原理在Laravel中,门面为应用服务容器中绑定的类提供了一个“静态”接口
- 前言在进行图像处理时,经常会用到读取图片并显示出来这样的操作,所以本文总结了python中读取并显示图片的3种方式,分别基于opencv、m
- 本文实例讲述了python多线程使用方法。分享给大家供大家参考,具体如下:threading 模块支持守护线程, 其工作方式是:守护线程一般
- 某些杀毒软件会把正常的asp文件误认为是asp木马文件,而自动删除,影响正常使用。下面方法可能会有效避免被杀毒软件删除把dim t
- 本文实例讲述了PHP面向对象程序设计高级特性。分享给大家供大家参考,具体如下:静态属性<?phpclass StaticExample
- 如何使用Index Server建立一个网站导航地图?程序代码如下:<html><head><title>asp教程之网站导航 -
- 佛爷去了公司的年夜饭,我有点无聊就在公司 Coding 点东西玩玩,于是就有了这玩意。请允许我很猥·琐得将这个游戏称之为“是男人坚持 100
- 如何使用快捷键按出代码提示框更新win10,发现可以改取消ctrl + space快捷键的占用了!!!我们在平时写代码的时候难免会出现敲错字
- <?php function getDerivativeByFormulaAndXDATA($formula, $x_data){ $
- HTML被直接硬编码在 Python 代码之中。def current_datetime(request): now = dat
- 这个格式是我自创的,经常有人问我为什么,这里做个简单总结:1、分类,一个模块或者同类功能定义为一类定义,每类定义之间用段落隔开。2、分级,每
- 基本用法#初始化%h为空数组 %h={};#用数组初始化%h为a=>1,b=>2 %h=('a',1
- 前言:本篇基于Python3环境,Python2环境下的range会有所不同,但并不影响我们使用。1、range()函数是什么?range(
- 本篇我们将学习简单的json数据的存储首先我们需要引入json模块:import json这里我们模拟一个常见常见,我们让用户输入用户名、密
- 有几个原因促使我们使用自定义的select控件来代替原生的select控件:在ie6下select是一个窗口级的元素,绝对定位的层会被sel
- 实例如下:#! /usr/bin/python# -*- coding: utf-8 -*-import osdef del_dir_tre