-
Notifications
You must be signed in to change notification settings - Fork 2
/
opencv笔记023：分水岭算法.py
115 lines (82 loc) · 5.89 KB
/
opencv笔记023：分水岭算法.py
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
#太难了感觉看不懂，先占坑
import numpy as np
import cv2
from matplotlib import pyplot as plt
img = cv2.imread('y4.jpg')
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#转自适应二值图，其实要处理边界的话，很多时候效果并不好
ret, thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
#ret, thresh = cv2.threshold(gray,160,255,cv2.THRESH_BINARY_INV)
'''
现在我们要去除图像中的所有的白噪声。这就需要使用形态学中的开运算。为了去除对象上小的空洞我们需要使用形态学闭运算。
所以我们现在知道靠近对象中心的区域肯定是前景，而远离对象中心的区域肯定是背景。而不能确定的区域就是硬币之间的边界。
所以我们要提取肯定是硬币的区域。腐蚀操作可以去除边缘像素。剩下就可以肯定是硬币了。
当硬币之间没有接触时，这种操作是有效的。但是由于硬币之间是相互接触的，我们就有了另外一个更好的选择：
距离变换再加上合适的阈值。接下来我们要找到肯定不是硬币的区域。这是就需要进行膨胀操作了。
膨胀可以将对象的边界延伸到背景中去。这样由于边界区域被去处理，我们就可以知道那些区域肯定是前景，那些肯定是背景。
剩下的区域就是我们不知道该如何区分的了。这就是分水岭算法要做的。
这些区域通常是前景与背景的交界处（或者两个前景的交界）。我们称之为边界。
从肯定是不是背景的区域中减去肯定是前景的区域就得到了边界区域。
'''
# noise removal，用开运算去掉白噪声
kernel = np.ones((3,3),np.uint8)
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel,iterations = 2)
# sure background area
#对opening膨胀，得到的sure_bg的白色部分一定是背景（包裹住硬币）
sure_bg = cv2.dilate(opening,kernel,iterations=3)
# Finding sure foreground area
# 距离变换的基本含义是计算一个图像中非零像素点到最近的零像素点的距离，也就是到零像素点的最短距离
# 个最常见的距离变换算法就是通过连续的腐蚀操作来实现，腐蚀操作的停止条件是所有前景像素都被完全
# 腐蚀。这样根据腐蚀的先后顺序，我们就得到各个前景像素点到前景中心??像素点的
# 距离。根据各个像素点的距离值，设置为不同的灰度值。这样就完成了二值图像的距离变换
#cv2.distanceTransform(src, distanceType, maskSize)
# 第二个参数 0,1,2 分别表示 CV_DIST_L1, CV_DIST_L2 , CV_DIST_C
#istanceTransform用来表示非0点到最近0的距离，距离越大值越大，图片上越白
dist_transform = cv2.distanceTransform(opening,cv2.DIST_L2,5)
#设置阈值为最白值*0.7，得到的sure_fg的白色部分一定是前景
ret, sure_fg = cv2.threshold(dist_transform,.7*dist_transform.max(),255,0)
# Finding unknown region
sure_fg = np.uint8(sure_fg)
#用sure_bg减去sure_fg，得到是类似确认背景部分和确认前景部分的差，硬币的轮廓就在unknown里面
unknown = cv2.subtract(sure_bg,sure_fg)
'''
如结果所示，在阈值化之后的图像中，我们得到了肯定是硬币的区域，而且硬币之间也被分割开了。
（有些情况下你可能只需要对前景进行分割，而不需要将紧挨在一起的对象分开，此时就没有必要使用距离变换了，腐蚀就足够了。
当然腐蚀也可以用来提取肯定是前景的区域。）
现在知道了那些是背景那些是硬币了。那我们就可以创建标签（一个与原图像大小相同，数据类型为 in32 的数组），
并标记其中的区域了。对我们已经确定分类的区域（无论是前景还是背景）使用不同的正整数标记，
对我们不确定的区域使用 0 标记。我们可以使用函数 cv2.connectedComponents()来做这件事。
它会把将背景标记为 0，其他的对象使用从 1 开始的正整数标记。
但是，我们知道如果背景标记为 0，那分水岭算法就会把它当成未知区域了。所以我们想使用不同的整数标记它们。
而对不确定的区域（函数cv2.connectedComponents 输出的结果中使用 unknown 定义未知区域）标记为 0。
'''
# Marker labelling，计算连通分量，和算法里的一样，本例中有24个硬币，所以连通分量有25个
#猜测connectedComponents计算连通分量后，使用了类似归一化的方法，所以在markers1能看到不同连通分量有不同的亮度
ret, markers1 = cv2.connectedComponents(sure_fg)
# Add one to all labels so that sure background is not 0, but 1。为什么加1看上面的注释
markers = markers1+1
# Now, mark the region of unknown with zero。
#unknown==255的部分正是完全包裹住硬币边缘的部分，这部分未知，所以标记为 0。
markers[unknown==255] = 0
'''
结果使用 JET 颜色地图表示。深蓝色区域为未知区域。肯定是硬币的区域使用不同的颜色标记。
其余区域就是用浅蓝色标记的背景了。现在标签准备好了。到最后一步：实施分水岭算法了。
标签图像将会被修改，边界区域的标记将变为 -1.
'''
markers3 = cv2.watershed(img,markers)
img[markers3 == -1] = [255,0,0] #边界区域是-1，在原图上给边界着色
#把上面的全部画图，进行研究比对。不知道为什么直接用cv2.imshow显示都不正常
def no(m,n):
c=np.zeros_like(m)
c=cv2.normalize(m,c,0,255,cv2.NORM_MINMAX)
cv2.imwrite(n,c)
no(thresh,'mthresh.jpg')
no(opening,'mopening.jpg')
no(sure_bg,'msure_bg.jpg')
no(dist_transform,'mdist_transform.jpg')
no(sure_fg,'msure_fg.jpg')
no(unknown,'munknown.jpg')
no(markers1,'markers1.jpg')
no(markers,'markers.jpg')
no(markers3,'markers3.jpg')
cv2.imshow('img',img)