OpenCV 的分水岭图像分割算法

认识分水岭算法，并在 opencv 使用该算法

什么是分水岭算法？

• 
• 任何一副灰度图都可以看作是拓扑平面，灰度值高的区域被看成山峰，灰度值低的区域看作山谷
• 向每个山谷灌不同颜色的水，随着水位的升高，不同山谷的水就会相遇，为了防止不同山谷的水汇合，在水汇合的地方构筑堤坝
• 不停地灌水，不停地构筑堤坝，直至所有山峰被水淹没，我们构筑的堤坝就是对图像的分割

如何解决分水岭算法的过分割现象？

• 使用传统的分水岭算法时，由于噪声的存在，图像上存在很多很小的局部极值点，会产生过分割的现象
• 对图像进行高斯平滑操作，抹除很多小的最小值，这些小分区就会合并
• 采用基于标记 (mark) 的图像分水岭算法，即不从最小值开始增长，可以将相对较高的灰度值像素作为起始点（需要用户手动标记），从标记处开始进行淹没，则很多小区域都会被合并为一个区域这也是 OpenCV 所采用的方法

基于 markers 的分水岭算法原理？

• 
• 手动标记后得到确定的前景、确定的背景、不确定区域，通过确定的前景及背景的水涨过程，逐渐去掉不确定区域，实现前景和背景的分割
• 确定的前景、确定的背景、不确定区域存储在和原图大小一致的二值图 (markers) 上，即用大于 0 标记确定为前景或对象区域；(2) 用另一种颜色（大于 0）标记确定为背景或非对象区域；(3) 用 0 标记不确定任何内容的区域
• 运行分水岭算法，对象的边界将具有 - 1 的值

基于 markers 的分水岭算法步骤？

• 首先构造分水岭算法需要 markers，然后使用分水岭算法进行分割

  # ---------------------1.图像预处理-----------------------------
  # 转为灰度图
  gray=cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
  
  # 自适应二值化
  ret, thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
  
  # ---------------------2.构造种子-----------------------------
  # 开运算
  kernel = np.ones((3,3),np.uint8)
  opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations =2) 
  
  # 膨胀前景，剩下是确定的背景
  sure_bg = cv2.dilate(opening,kernel,iterations=3)
  
  # 缩小前景，得到确定的前景
  dist_transform = cv2.distanceTransform(opening,cv2.DIST_L2,5)
  dist_output = cv2.normalize(dist_transform, 0, 1.0, cv2.NORM_MINMAX) #归一化
  ret, sure_fg = cv2.threshold(dist_output,0.7*dist_output.max(),255,0)
  
  # 确定的背景-确定的前景，剩下部分是未知区域
  sure_fg = np.uint8(sure_fg)
  unknown = cv2.subtract(sure_bg,sure_fg)
  show_images([sure_bg,sure_fg,unknown],closize=3)
  
  # 连通区域标记
  ret, markers = cv2.connectedComponents(sure_fg)
  #cv2.imwrite("markers.png",markers)
  
  # markers所有值+1，确保值从1开始
  markers = markers+1
  
  # 使用0值标记背景区域
  markers[unknown==255]=0
  # ---------------------3.使用分水岭算法-----------------------------
  markers = cv2.watershed(image,markers)

OpenCV 分水岭算法的缺点？

• 标记一张图片后，无法将用法用于所有的图片
• 图片必须有背景，并且有标注
• 图片内所有连通的前景必须有标注，否则分水岭算法按背景处理