网站二维码链接怎么做,洛宁县东宋乡城乡建设局网站,ui界面设计app,广州网站制作实力乐云seo文章目录 1、功能描述2、代码实现3、完整代码4、效果展示5、涉及到的库函数5.1、cv2.pyrMeanShiftFiltering5.2、cv2.morphologyEx5.3、cv2.distanceTransform5.4、cv2.normalize5.5、cv2.watershed 6、参考 1、功能描述
基于分水岭算法对图片进行分割
分水岭分割算法#x… 文章目录 1、功能描述2、代码实现3、完整代码4、效果展示5、涉及到的库函数5.1、cv2.pyrMeanShiftFiltering5.2、cv2.morphologyEx5.3、cv2.distanceTransform5.4、cv2.normalize5.5、cv2.watershed 6、参考 1、功能描述
基于分水岭算法对图片进行分割
分水岭分割算法WaterShed Algorithm是一种基于拓扑理论的数学形态学的分割方法广泛应用于数学、图像学和电子信息学领域。
一、算法原理
分水岭分割算法的基本思想是把图像看作是测地学上的拓扑地貌图像中每一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。
分水岭的概念和形成可以通过模拟浸入过程来说明在每一个局部极小值表面刺穿一个小孔然后把整个模型慢慢浸入水中随着浸入的加深每一个局部极小值的影响域慢慢向外扩展在两个集水盆汇合处构筑大坝即形成分水岭。
二、算法步骤
分水岭算法的计算过程是一个迭代标注过程主要包括排序和淹没两个步骤。
排序对每个像素的灰度级进行从低到高排序。淹没在从低到高实现淹没过程中对每一个局部极小值在h阶高度的影响域采用先进先出FIFO结构进行判断及标注。
分水岭变换得到的是输入图像的集水盆图像集水盆之间的边界点即为分水岭。
三、应用场景
医学图像分析用于分割MRI或CT图像中的不同结构如肿瘤、器官等。纹理分割将图像分割成纹理块从而识别材质。物体检测分割图像中的物体从而实现目标检测。
四、优缺点及改进方法 优点 分水岭算法对微弱边缘具有良好的响应是得到封闭连续边缘的保证。分水岭算法所得到的封闭的集水盆为分析图像的区域特征提供了可能。 缺点 常规的分水岭算法由于图像上噪声和图局部不连续原因常常表现出过度分割。 改进方法 利用先验知识去除无关边缘信息。修改梯度函数使得集水盆只响应想要探测的目标。对梯度图像进行阈值处理以消除灰度的微小变化产生的过度分割。
五、示例
在OpenCV中分水岭算法通过 watershed() 函数实现。该函数基于图像中的灰度级和边缘来构建一组标记将图像分割成不同的区域或物体。虽然需要手动标记辅助但其效果显著。
综上所述分水岭分割算法是一种有效的图像分割方法但需要注意其过度分割的问题并采取相应的改进方法以提高分割效果。
2、代码实现
图像前处理
import cv2 as cv
import numpy as np
import random as rngdef process_img2(img):# 转成灰度图img_gray cv.cvtColor(img, cv.COLOR_BGR2GRAY)cv.imwrite(img_gray.jpg, img_gray)# 高斯模糊img_gray cv.GaussianBlur(img_gray, (5, 5), 0.1)cv.imwrite(GaussianBlur.jpg, img_gray)# 中值滤波img_gray cv.medianBlur(img_gray, 5)cv.imwrite(medianBlur.jpg, img_gray)# 二值化_, image_binary cv.threshold(img_gray, 0, 255, cv.THRESH_OTSU cv.THRESH_BINARY)cv.imwrite(image_binary.jpg, image_binary)# 形态学膨胀kernel np.ones((7, 7), np.uint8)# sure_bg cv.morphologyEx(image_binary, cv.MORPH_CLOSE, kernel, iterations3)sure_bg cv.dilate(image_binary, kernel, iterations2)cv.imwrite(sure_bg.jpg, sure_bg)# 二进制非sure_bg cv.bitwise_not(sure_bg)cv.imwrite(bitwise_not_sure_bg.jpg, sure_bg)# 形态学变化开运算element cv.getStructuringElement(cv.MORPH_ELLIPSE, (3, 3))image_binary cv.morphologyEx(image_binary, cv.MORPH_OPEN, element)cv.imwrite(morphologyEx_image_binary.jpg, image_binary)# 计算前景到背景的距离imageSC cv.distanceTransform(image_binary, cv.DIST_L2, 5)imageSC imageSC.astype(np.uint8)cv.imwrite(imageSC.jpg, imageSC)# 归一化imageSC cv.normalize(imageSC, 0, 255, cv.NORM_MINMAX)cv.imwrite(imageSC_normalize.jpg, imageSC * 255)# 二值化_, imageSC cv.threshold(imageSC, 0, 255, cv.THRESH_OTSU cv.THRESH_BINARY)cv.imwrite(imageSC_threshold.jpg, imageSC)return imageSC, sure_bgrng.seed(12345)
imgPath ./images/6.jpeg
src cv.imread(imgPath)
shifted cv.pyrMeanShiftFiltering(src, 7, 15)
cv.imwrite(shift.jpg, shifted)if src is None:print(Could not open or find the image:)# print(Could not open or find the image:, args.input)exit(0)
# Show source image
cv.imshow(Source Image, src)opening, sure_bg process_img2(shifted)
# Show output image
cv.imshow(Background Image, sure_bg) # 背景原始图片
mean shift 后的结果 转换为灰度图 img_gray.jpg 高斯模糊 GaussianBlur.jpg 中值滤波 medianBlur.jpg 二值化 image_binary.jpg 形态学膨胀 sure_bg.jpg 明显看出来前景变大了许多
二进制非 bitwise_not_sure_bg.jpg前景变成了背景作为 process_img2 函数的第二个返回值 return 基于二值化的 image_binary.jpg 进行开运算 morphologyEx_image_binary.jpg 基于二值化的 image_binary.jpg 计算前景到背景的距离imageSC.jpg便于计算分水岭
不乘以 255 的效果 乘上 255 后的效果 最大最小值归一化得到 imageSC_normalize.jpg 乘以 255 后可视化的结果 二值化归一化后的结果imageSC_threshold.jpg作为 process_img2 函数的第一个返回值 return # Dilate a bit the dist image
kernel1 np.ones((3, 3), dtypenp.uint8)
dist cv.dilate(imageSC, kernel1)
cv.imwrite(dist-dilate.jpg, dist*255)
cv.imshow(Peaks, dist)膨胀 imageSC_threshold.jpg得到 dist-dilate.jpg
# 构建初始markers
dist_8u dist.astype(uint8)
# Find total markers
contours, _ cv.findContours(dist_8u, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)找轮廓
# 创建即将应用分水岭算法的标记图像
# markers np.zeros(dist.shape, dtypenp.int32)
markers sure_bg.copy().astype(np.int32)# 标记前景
for i in range(len(contours)):cv.drawContours(markers, contours, i, (i 1), -1) # 轮廓标记从1开始# 标记背景
# cv.circle(markers, (5, 5), 3, 255, -1) # 此处背景标记为255
# 可视化markersprint(before watershed: , np.unique(markers)) # 0表示不确定标记区域
markers_8u (markers * 10).astype(uint8)
cv.imwrite(markers_8u.jpg, markers_8u)
cv.imshow(Markers, markers_8u)output
before watershed: [ 0 1 2 3 4 5 6 7 8 9 10 11 12 255]绘制轮廓 markers_8u.jpg # 应用分水岭分割算法
markers cv.watershed(src, markers)print(after watershed: , np.unique(markers)) # -1表示边界# mark np.zeros(markers.shape, dtypenp.uint8)
mark markers.astype(uint8)
cv.imwrite(mark.jpg, mark)output
after watershed: [ -1 1 2 3 4 5 6 7 8 9 10 11 12 255]分水岭算法 mark.jpg mark cv.bitwise_not(mark)
cv.imwrite(mark-bitwise_not.jpg, mark)
cv.imshow(Markers_v2, mark)取反 mark-bitwise_not.jpg # Generate random colors
colors []
for contour in contours:colors.append((rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256)))# Create the result image
dst np.zeros((markers.shape[0], markers.shape[1], 3), dtypenp.uint8)
# Fill labeled objects with random colors
for i in range(markers.shape[0]):for j in range(markers.shape[1]):index markers[i, j]if index 0 and index len(contours): # -1表示边界 255表示背景dst[i, j, :] colors[index - 1]
# Visualize the final image
cv.imshow(Final Result, dst)
cv.imwrite(Final-Result.jpg, dst)
cv.waitKey(0)
cv.destroyAllWindows()绘制 Final-Result.jpg 3、完整代码
输入图片 实现一也即前面章节所描述的方法
import cv2 as cv
import numpy as np
import random as rngdef process_img2(img):# 转成灰度图img_gray cv.cvtColor(img, cv.COLOR_BGR2GRAY)cv.imwrite(img_gray.jpg, img_gray)# 高斯模糊img_gray cv.GaussianBlur(img_gray, (5, 5), 0.1)cv.imwrite(GaussianBlur.jpg, img_gray)# 中值滤波img_gray cv.medianBlur(img_gray, 5)cv.imwrite(medianBlur.jpg, img_gray)# 二值化_, image_binary cv.threshold(img_gray, 0, 255, cv.THRESH_OTSU cv.THRESH_BINARY)cv.imwrite(image_binary.jpg, image_binary)# 形态学膨胀kernel np.ones((7, 7), np.uint8)# sure_bg cv.morphologyEx(image_binary, cv.MORPH_CLOSE, kernel, iterations3)sure_bg cv.dilate(image_binary, kernel, iterations2)cv.imwrite(sure_bg.jpg, sure_bg)# 二进制非sure_bg cv.bitwise_not(sure_bg)cv.imwrite(bitwise_not_sure_bg.jpg, sure_bg)# 形态学变化开运算element cv.getStructuringElement(cv.MORPH_ELLIPSE, (3, 3))image_binary cv.morphologyEx(image_binary, cv.MORPH_OPEN, element)cv.imwrite(morphologyEx_image_binary.jpg, image_binary)# 计算前景到背景的距离imageSC cv.distanceTransform(image_binary, cv.DIST_L2, 5)imageSC imageSC.astype(np.uint8)cv.imwrite(imageSC.jpg, imageSC)cv.imwrite(imageSC255.jpg, imageSC*255)# 归一化cv.normalize(imageSC, imageSC, 0, 255, cv.NORM_MINMAX)cv.imwrite(imageSC_normalize.jpg, imageSC)cv.imwrite(imageSC_normalize255.jpg, imageSC*255)# 二值化# _, imageSC cv.threshold(imageSC, 0, 255, cv.THRESH_OTSU cv.THRESH_BINARY)_, imageSC cv.threshold(imageSC, 0.3, 1.0, cv.THRESH_BINARY)cv.imwrite(imageSC_threshold.jpg, imageSC*255)return imageSC, sure_bgrng.seed(12345)
imgPath ./images/6.jpeg
src cv.imread(imgPath)
shifted cv.pyrMeanShiftFiltering(src, 7, 15)
cv.imwrite(shift.jpg, shifted)if src is None:print(Could not open or find the image:)# print(Could not open or find the image:, args.input)exit(0)
# Show source image
cv.imshow(Source Image, src)imageSC, sure_bg process_img2(shifted)
# Show output image
cv.imshow(Background Image, sure_bg) # 背景# Dilate a bit the dist image
kernel1 np.ones((3, 3), dtypenp.uint8)
dist cv.dilate(imageSC, kernel1)
cv.imwrite(dist-dilate.jpg, dist*255)
cv.imshow(Peaks, dist)# 构建初始markers
dist_8u dist.astype(uint8)
# Find total markers
contours, _ cv.findContours(dist_8u, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)# 创建即将应用分水岭算法的标记图像
# markers np.zeros(dist.shape, dtypenp.int32)
markers sure_bg.copy().astype(np.int32)# 标记前景
for i in range(len(contours)):cv.drawContours(markers, contours, i, (i 1), -1) # 轮廓标记从1开始# 标记背景
# cv.circle(markers, (5, 5), 3, 255, -1) # 此处背景标记为255
# 可视化markersprint(before watershed: , np.unique(markers)) # 0表示不确定标记区域
markers_8u (markers * 10).astype(uint8)
cv.imwrite(markers_8u.jpg, markers_8u)
cv.imshow(Markers, markers_8u)# 应用分水岭分割算法
markers cv.watershed(src, markers)print(after watershed: , np.unique(markers)) # -1表示边界# mark np.zeros(markers.shape, dtypenp.uint8)
mark markers.astype(uint8)
cv.imwrite(mark.jpg, mark)mark cv.bitwise_not(mark)
cv.imwrite(mark-bitwise_not.jpg, mark)
cv.imshow(Markers_v2, mark)# Generate random colors
colors []
for contour in contours:colors.append((rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256)))# Create the result image
dst np.zeros((markers.shape[0], markers.shape[1], 3), dtypenp.uint8)
# Fill labeled objects with random colors
for i in range(markers.shape[0]):for j in range(markers.shape[1]):index markers[i, j]if index 0 and index len(contours): # -1表示边界 255表示背景dst[i, j, :] colors[index - 1]
# Visualize the final image
cv.imshow(Final Result, dst)
cv.imwrite(Final-Result.jpg, dst)
cv.waitKey(0)
cv.destroyAllWindows()实现二感觉这套前处理少一些
import cv2 as cv
import numpy as np
import argparse
import random as rng
rng.seed(12345)
parser argparse.ArgumentParser(descriptionCode for Image Segmentation with Distance Transform and Watershed Algorithm.\Sample code showing how to segment overlapping objects using Laplacian filtering, \in addition to Watershed and Distance Transformation)
parser.add_argument(--input, helpPath to input image., default./images/6.jpeg)
args parser.parse_args()
src cv.imread(cv.samples.findFile(args.input))
if src is None:print(Could not open or find the image:, args.input)exit(0)
# Show source image
cv.imshow(Source Image, src)# 转灰度
gray cv.cvtColor(src, cv.COLOR_BGR2GRAY)
# 二值化
ret, thresh cv.threshold(gray, 0, 255, cv.THRESH_BINARY cv.THRESH_OTSU)
# noise removal开运算
kernel np.ones((5, 5), np.uint8)
opening cv.morphologyEx(thresh, cv.MORPH_OPEN, kernel, iterations2)# 获取背景图
sure_bg opening.copy() # 背景
# Show output image
cv.imshow(Black Background Image, sure_bg) # 黑色是背景# 获取前景图
dist cv.distanceTransform(opening, cv.DIST_L2, 3)
# Normalize the distance image for range {0.0, 1.0}
# so we can visualize and threshold it
cv.normalize(dist, dist, 0, 1.0, cv.NORM_MINMAX)
cv.imshow(Distance Transform Image, dist)
_, dist cv.threshold(dist, 0.2, 1.0, cv.THRESH_BINARY)
# Dilate a bit the dist image
kernel1 np.ones((3, 3), dtypenp.uint8)
dist cv.dilate(dist, kernel1)
cv.imshow(Peaks, dist)# 构建初始markers
dist_8u dist.astype(uint8)
# Find total markers
contours, _ cv.findContours(dist_8u, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)
# 创建即将应用分水岭算法的标记图像
markers np.zeros(dist.shape, dtypenp.int32)
# 标记前景
for i in range(len(contours)):cv.drawContours(markers, contours, i, (i 1), -1) # 轮廓标记从1开始
# 标记背景
cv.circle(markers, (5, 5), 3, 255, -1) # 此处背景标记为255
print(before watershed: , np.unique(markers)) # 0表示不确定标记区域
# 可视化markers
markers_8u (markers * 10).astype(uint8)
cv.imshow(Markers, markers_8u)# 应用分水岭分割算法
markers cv.watershed(src, markers)
print(after watershed: , np.unique(markers)) # -1表示边界# mark np.zeros(markers.shape, dtypenp.uint8)
mark markers.astype(uint8)
mark cv.bitwise_not(mark)
# uncomment this if you want to see how the mark
# image looks like at that point
# cv.imshow(Markers_v2, mark)
# Generate random colors
colors []
for contour in contours:colors.append((rng.randint(0, 256), rng.randint(0, 256), rng.randint(0, 256)))
# Create the result image
dst np.zeros((markers.shape[0], markers.shape[1], 3), dtypenp.uint8)
# Fill labeled objects with random colors
for i in range(markers.shape[0]):for j in range(markers.shape[1]):index markers[i, j]if index 0 and index len(contours): # -1表示边界 255表示背景dst[i, j, :] colors[index - 1]
# Visualize the final image
cv.imshow(Final Result, dst)
cv.waitKey()4、效果展示
输入 法二 输入 法二 输入 法二
5、涉及到的库函数
5.1、cv2.pyrMeanShiftFiltering
cv2.pyrMeanShiftFiltering 是 OpenCV 中用于图像平滑处理的一个函数它基于均值漂移Mean Shift算法并通过图像金字塔的方式来实现。这种滤波方法对于去除图像中的噪声和细节纹理非常有效同时能够保留图像的边缘信息。
一、函数原型
cv2.pyrMeanShiftFiltering(src, dst, sp, sr, maxLevel1, termcrit(cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_MAX_ITER, 5, 1))二、参数解释
src: 输入图像应该是一个 8 位或 16 位的单通道或三通道图像。dst: 输出图像与输入图像具有相同的类型和大小。sp: 空间窗口的半径它决定了在进行均值漂移计算时考虑的邻域大小。sr: 颜色窗口的半径它决定了在颜色空间中考虑的邻域大小。maxLevel: 金字塔的最大层数。默认值为 1表示只处理原始图像不进行金字塔分解。增加层数可以在更粗的尺度上进行滤波但计算量也会增加。termcrit: 迭代过程的终止条件。它是一个元组包含三个元素终止条件的类型、最大迭代次数和所需满足的精度。默认值是 (cv2.TERM_CRITERIA_EPS | cv2.TERM_CRITERIA_MAX_ITER, 5, 1)意味着迭代将在达到最大迭代次数 5 或满足精度 1 时停止。
三、使用示例
import cv2
import numpy as np # 读取图像
image cv2.imread(example.jpg) # 使用 pyrMeanShiftFiltering 进行滤波
filtered_image cv2.pyrMeanShiftFiltering(image, None, 21, 31) # 显示结果
cv2.imshow(Original Image, image)
cv2.imshow(Filtered Image, filtered_image)
cv2.waitKey(0)
cv2.destroyAllWindows()在这个例子中我们读取了一张名为 example.jpg 的图像然后使用 cv2.pyrMeanShiftFiltering 函数对其进行滤波处理。其中空间窗口的半径设置为 21颜色窗口的半径设置为 31。处理后的图像将显示在窗口中。
四、注意事项
cv2.pyrMeanShiftFiltering 函数在计算上可能比较耗时特别是对于大图像和较大的窗口半径。正确地选择空间窗口和颜色窗口的半径对于获得良好的滤波效果至关重要。滤波后的图像可能会看起来更加平滑但一些细节信息可能会丢失。
5.2、cv2.morphologyEx
cv2.morphologyEx 是 OpenCV 中用于执行形态学变换的函数。形态学变换是一种基于图像形状的图像处理技术可以用于提取图像中的特定结构或特征如边界、骨架、凸包等。这些变换基于图像的集合表示通过定义一些基本的操作如腐蚀、膨胀、开运算、闭运算等来实现对图像的处理。
一、函数原型
cv2.morphologyEx(src, op, kernel[, dst[, anchor[, iterations[, borderType[, borderValue]]]]])二、参数解释
src: 输入图像必须是单通道的灰度图像或二值图像。op: 形态学变换的类型可以是以下几种之一 cv2.MORPH_ERODE: 腐蚀操作使图像中的白色区域缩小黑色区域扩大。cv2.MORPH_DILATE: 膨胀操作使图像中的白色区域扩大黑色区域缩小。cv2.MORPH_OPEN: 开运算先进行腐蚀再进行膨胀可以去除图像中的小物体或噪声。cv2.MORPH_CLOSE: 闭运算先进行膨胀再进行腐蚀可以填充图像中的小孔或连接邻近的物体。cv2.MORPH_GRADIENT: 形态学梯度表示膨胀图像与腐蚀图像之差用于突出图像中的边缘。cv2.MORPH_TOPHAT: 顶帽变换原图像减去膨胀后的图像用于分离比邻近点亮一些的斑点。cv2.MORPH_BLACKHAT: 黑帽变换膨胀后的图像减去原图像用于分离比邻近点暗一些的斑点。cv2.MORPH_HITMISS: 结构元素对应的点集比较用于检测图像中的特定模式。 kernel: 形态学变换的核通常是一个矩形、椭圆或十字形的小矩阵。核的大小和形状会影响变换的效果。dst: 输出图像如果未指定则函数会创建一个新的输出图像。anchor: 核的锚点默认是核的中心。锚点决定了核在图像上移动时的参考点。iterations: 变换的次数默认值为 1。增加迭代次数可以增强变换的效果。borderType: 边界像素的外推方法默认值为 cv2.BORDER_CONSTANT。borderValue: 使用 cv2.BORDER_CONSTANT 时边界的像素值默认值为 0。
三、使用示例
下面是一个简单的使用示例演示了如何使用 cv2.morphologyEx 函数进行腐蚀和膨胀操作
import cv2
import numpy as np # 读取图像
image cv2.imread(example.png, 0) # 读取为灰度图像 # 定义核
kernel np.ones((5, 5), np.uint8) # 腐蚀操作
eroded_image cv2.morphologyEx(image, cv2.MORPH_ERODE, kernel) # 膨胀操作
dilated_image cv2.morphologyEx(image, cv2.MORPH_DILATE, kernel) # 显示结果
cv2.imshow(Original Image, image)
cv2.imshow(Eroded Image, eroded_image)
cv2.imshow(Dilated Image, dilated_image)
cv2.waitKey(0)
cv2.destroyAllWindows()在这个例子中我们读取了一张名为 example.png 的灰度图像然后定义了一个 5x5 的矩形核。接着我们使用 cv2.morphologyEx 函数分别进行了腐蚀和膨胀操作并将结果显示在窗口中。
四、注意事项
形态学变换的效果取决于核的大小和形状以及变换的类型。腐蚀操作会使图像中的白色区域缩小而膨胀操作会使白色区域扩大。开运算和闭运算是腐蚀和膨胀的组合操作可以用于去除小物体、填充小孔或连接邻近物体。在使用形态学变换时需要注意选择合适的核大小和形状以及变换的次数以获得最佳的处理效果。
5.3、cv2.distanceTransform
cv2.distanceTransform 是 OpenCV 库中的一个函数用于计算图像中每个非零像素点到其最近的零像素点的距离。这个函数在处理二值图像时特别有用尤其是在图像分割、形态学操作以及目标检测等任务中。
一、函数原型
cv2.distanceTransform(src, distanceTypecv2.DIST_L2, maskSize5)src: 输入的8位二值图像通常为单通道图像。非零像素被视为前景对象而零像素被视为背景。distanceType: 距离类型它决定了如何计算距离。常用的选项有 cv2.DIST_L1: 使用L1范数城市街区距离。cv2.DIST_L2: 使用L2范数欧几里得距离这是默认值。cv2.DIST_C: 使用Chebyshev距离。 maskSize: 距离变换掩码的大小必须是正奇数。默认值为5。掩码越大计算出的距离越精确但计算成本也越高。
二、返回值
该函数返回一个与输入图像大小相同的图像但数据类型为32位浮点数。图像中的每个像素值代表了该像素点到最近的零像素点的距离。
三、使用示例
import cv2
import numpy as np # 创建一个简单的二值图像
image np.zeros((10, 10), dtypenp.uint8)
image[3:7, 3:7] 1 # 在图像中心创建一个4x4的白色方块 # 应用距离变换
dist_transform cv2.distanceTransform(image, cv2.DIST_L2, 5) # 打印结果
print(image)
print(dist_transform)output
[[0 0 0 0 0 0 0 0 0 0][0 0 0 0 0 0 0 0 0 0][0 0 0 0 0 0 0 0 0 0][0 0 0 1 1 1 1 0 0 0][0 0 0 1 1 1 1 0 0 0][0 0 0 1 1 1 1 0 0 0][0 0 0 1 1 1 1 0 0 0][0 0 0 0 0 0 0 0 0 0][0 0 0 0 0 0 0 0 0 0][0 0 0 0 0 0 0 0 0 0]]
[[0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 1. 1. 1. 1. 0. 0. 0.][0. 0. 0. 1. 2. 2. 1. 0. 0. 0.][0. 0. 0. 1. 2. 2. 1. 0. 0. 0.][0. 0. 0. 1. 1. 1. 1. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.][0. 0. 0. 0. 0. 0. 0. 0. 0. 0.]]在这个示例中我们首先创建了一个10x10的二值图像其中中心有一个4x4的白色方块。然后我们对这个图像应用了距离变换并打印出结果。结果图像中的每个像素值代表了该像素点到最近的零像素即背景的距离。
四、应用场景
图像分割在图像分割任务中可以通过距离变换来确定前景和背景之间的边界。形态学操作距离变换可以用于形态学梯度、膨胀和腐蚀等高级形态学操作的基础。目标检测在目标检测中距离变换可以帮助识别目标物体的轮廓和形状。
5.4、cv2.normalize
cv2.normalize 是 OpenCV 库中的一个函数用于对数组通常是图像进行归一化处理。归一化是指将数据按比例缩放使之落入一个小的特定区间通常是[0, 1]或[-1, 1]。这种处理对于图像预处理、特征提取和比较等任务非常重要因为它可以帮助改善算法的收敛速度和性能或者满足某些特定算法对数据范围的要求。
一、基本语法
cv2.normalize(src, dstNone, alphaNone, betaNone, norm_typecv2.NORM_MINMAX, dtype-1, maskNone)二、参数解释
src: 输入数组图像可以是任意深度的但通常是8位或32位浮点数。dst: 输出数组与输入数组具有相同的形状和深度。如果为None则函数会创建一个具有适当大小和类型的数组。alpha: 归一化后的范围下限通常用于NORM_MINMAX和NORM_INF类型。对于NORM_MINMAX这个值表示归一化后的最小值。beta: 归一化后的范围上限同样用于NORM_MINMAX和NORM_INF类型。对于NORM_MINMAX这个值表示归一化后的最大值。norm_type: 归一化类型。OpenCV提供了几种不同的归一化类型如 cv2.NORM_MINMAX将数组缩放到指定范围、cv2.NORM_L2L2范数归一化等。dtype: 输出数组的可选深度。当参数为负值时如-1输出数组与输入数组具有相同的深度。mask: 可选的操作掩码用于指定哪些元素需要被归一化。掩码应该是与输入数组形状相同的单通道数组其中非零元素表示对应的输入元素需要被处理。
三、使用示例
import cv2
import numpy as np # 创建一个简单的图像二维数组
image np.array([[10, 20, 30], [40, 50, 60]], dtypenp.float32) # 使用cv2.normalize进行归一化处理
normalized_image cv2.normalize(image, None, alpha0, beta1, norm_typecv2.NORM_MINMAX, dtypecv2.CV_32F) print(归一化后的图像)
print(normalized_image)output
归一化后的图像
[[0. 0.19999999 0.39999998][0.59999996 0.8 0.99999994]]在这个例子中我们将一个二维数组模拟一个简单的图像进行了归一化处理将其值缩放到[0, 1]范围内。这种处理对于图像处理中的许多任务都是非常有用的。
5.5、cv2.watershed
cv2.watershed 是OpenCV库中用于图像分割的一个函数它实现了基于标记的分水岭算法。分水岭算法是一种图像分割技术特别适用于从图像中分离出触摸或重叠的对象。
一、函数原型
cv2.watershed(image, markers) - int, output markersimage输入图像应该是8位或浮点类型的三通道图像。markers输入/输出标记数组应该是32位单通道图像。在输入时标记数组应该包含已知的前景和背景标记。在输出时函数将修改这个数组为每个分割的区域分配不同的标签并将边界区域标记为-1。
二、使用步骤
1、读取和预处理图像
使用 cv2.imread 读取图像。如果图像是彩色的可以转换为灰度图像使用 cv2.cvtColor。应用阈值处理使用 cv2.threshold或边缘检测如Canny边缘检测来生成二值图像。
2、确定前景和背景标记
使用形态学操作如膨胀和腐蚀来增强或修正边缘。查找二值图像中的连通组件使用 cv2.findContours并为每个组件分配一个唯一的标记。将背景标记为0前景标记为正整数。
3、应用分水岭算法
调用 cv2.watershed 函数传入预处理后的图像和标记数组。函数将修改标记数组为每个分割的区域分配不同的标签。
4、分析结果
查看修改后的标记数组了解哪些像素被分配到了哪些区域。使用这些信息在原图上绘制分割边界或进行其他分析。
三、注意事项
分水岭算法的效果很大程度上依赖于预处理步骤和标记的正确性。过度分割是一个常见问题可以通过调整预处理步骤的参数或结合其他分割技术来减轻。在使用分水岭算法之前通常需要确保图像中的对象之间有清晰的边界或分隔。
四、示例代码
以下是一个简单的示例代码演示了如何使用 cv2.watershed 函数进行图像分割
import cv2
import numpy as np # 读取图像
image cv2.imread(your_image.png)
gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) # 应用阈值处理
_, binary cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU) # 查找轮廓并创建标记数组
contours, _ cv2.findContours(binary, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
markers np.zeros(gray.shape, dtypenp.int32) # 为每个轮廓分配一个唯一的标记从1开始
for i, contour in enumerate(contours): cv2.drawContours(markers, [contour], -1, (i 1), -1) # 应用分水岭算法
markers cv2.watershed(image, markers) # 绘制分割边界
image[markers -1] [0, 0, 255] # 将边界设置为红色 # 显示结果
cv2.imshow(Segmented Image, image)
cv2.waitKey(0)
cv2.destroyAllWindows()请注意上述示例代码是一个简单的演示实际应用中可能需要根据具体情况进行调整和优化。
6、参考
基于标记的分水岭分割算法https://anothertechs.com/programming/cpp/opencv/opencv-watershed/
