OpenCV之分水岭算法

分水岭算法

在许多实际的应用中，我们需要分割图像，但是无法从背景图像中获得有用信息。但是分水岭算法在这方面往往非常有效，它可以将图像中的边缘转化为“山脉”，将均匀区域转化为“山谷”，这样有助于分割目标。

分水岭算法是一种记忆拓扑理论的数学形态学的分割方法，其基本思想是把图像看作测地学上的拓扑地貌，图像中每点像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域称为集水盆，而集水盆的边界则形成分水岭。

分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法主要分两个步骤：一个是排序过程，一个是淹没过程。首先对每个像素的灰度级进行从低到高的排序，然后在从低到高实现淹没的过程中，对每个局部极小值在h阶高度的影响域采用先进先出（FIFO）结构进行判断及标注。分水岭变化得到的是输入图像的集水盆图像，集水盆之间的边界点，即分水岭。显然，分水岭表示的是输入图像的极大值点。

也就是说，分水岭算法首先计算灰度图像的梯度；这对图像中的“山谷”或没有纹理的“盆地”（亮度值低的点）的形成是很有效的，也对“山头”或图像中有主导线段的“山脉”的形成有效。然后开始从用户指定的点（或者算法得到的点）开始持续“灌注”盆地直到这些区域连成一片。基于这样产生的标记可以把区域合并到一起，合并后的区域通过聚集的方式进行分割。

实现分水岭算法：wartshed()函数

函数watershed实现的分水岭算法是基于标记的分割算法的一种。在把图像传给函数之前，我们需要大致的勾画出图像中期望分割的区域，它们被标记为正指数。所以，每一个区域都会被标记为像素值1、2、3等，表示成为一个或多个连接组件。这些标记的值可以使用findContours()函数和drawContours()函数由二进制的掩码检索出来。其实这些标记就是即将绘制出来的分割区域的“种子点”，而没有标记清楚的区域，被置为0。在函数的输出中，每一个标记中的像素被设为种子的值，而区域间的值被设为-1.

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的像素点互相连接起来构成一个封闭的轮廓，封闭性是分水岭算法的一个重要特征。

函数原型：

void watershed(InpurArray image, InputOutputArray markers)

参数详解：

• 第一个参数：InpurArray 类型的src，输入图像，Mat类的对象即可，需要是8位三通道的彩色图像。
• 第二个参数：InputOutputArray的markers，输入/输出32位单通道的标记结果，需和输入图像有一样的尺寸和类型。

代码示例：

#include <iostream>
#include <opencv2/opencv.hpp>
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>

using namespace std;
using namespace cv;

int main() {
    Mat srcImage;
    srcImage = imread("/Users/dwz/Desktop/cpp/b.jpg");
    cout << srcImage.channels() << endl;

    Mat grayImage, binaryImage, shift;
    pyrMeanShiftFiltering(srcImage, shift, 10, 50, 1);

    cvtColor(shift, grayImage, COLOR_BGR2GRAY);
    threshold(grayImage, binaryImage, 0, 255, THRESH_OTSU);
    imwrite("binary.jpg", binaryImage);

    Mat dist;
    distanceTransform(binaryImage, dist, DIST_L2, 3, CV_32F);
    normalize(dist, dist, 0, 1, NORM_MINMAX);
    imwrite("norm.jpg", dist*255);

    threshold(dist, dist, 0.4, 1, THRESH_BINARY);
    imwrite("thresh.jpg", dist*255);
//    namedWindow("norm");
//    imshow("norm", dist);
//    waitKey(0);

    Mat dist_m;
    dist.convertTo(dist_m, CV_8U);
    vector<vector<Point>> contours;
    findContours(dist_m, contours, RETR_EXTERNAL, CHAIN_APPROX_SIMPLE, Point(0, 0));

    Mat makers = Mat::zeros(srcImage.size(), CV_32SC1);
    for (size_t t=0;t<contours.size(); t++)
    {
        drawContours(makers, contours, static_cast<int>(t), Scalar::all(static_cast<int>(t)+1), -1);
    }
    circle(makers, Point(5, 5), 3, Scalar(255), -1);

    Mat element;
    element = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
    morphologyEx(srcImage, srcImage, MORPH_ERODE, element);


    watershed(srcImage, makers);
    Mat mark = Mat::zeros(makers.size(), CV_8UC1);
    makers.convertTo(mark, CV_8UC1);
    bitwise_not(mark, mark, Mat());
    imwrite("watered.jpg", mark);

     vector<Vec3b> colors;
     for (size_t i=0; i< contours.size();i++)
     {
         int r = theRNG().uniform(0, 255);
         int g = theRNG().uniform(0, 255);
         int b = theRNG().uniform(0, 255);
         colors.push_back(Vec3b((uchar)b, (uchar)g, (uchar)r));
     }
     Mat dstImage = Mat::zeros(makers.size(), CV_8UC3);
     int index = 0;
     for (int row=0; row<makers.rows;row++)
     {
         for (int col=0;col<makers.cols;col++)
         {
             if (index > 0 && index <=contours.size())
             {
                 dstImage.at<Vec3b>(row, col) = colors[index-1];
             }
             else
             {
                 dstImage.at<Vec3b>(row, col) = Vec3b(0, 0, 0);
             }
         }
     }
     imwrite("result.jpg", dstImage);


    return 0;
}