基于OpenCV的图像分割（分水岭算法和GrabCut）-Toy模板网

这篇具有很好参考价值的文章主要介绍了基于OpenCV的图像分割（分水岭算法和GrabCut）。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

一、分水岭算法

二、GrabCut

一、分水岭算法

res = cv.watershed(image,markers)

参数：

image: 输入图像，必须是8位的3通道彩色图像
marker: 标记图像，32位单通道图像，它包括种子点信息，使用轮廓信息作为种子点。在进行分水岭算法之前，必须设置好marker信息，它包含不同区域的轮廓，每个轮廓有唯一的编号，使用findCountours方法确定轮廓位置，不同区域的交界位置为-1

res: 图像分割之后的结果

自动分割的步骤：

对原图像进行灰度化处理，并进行边缘检测或二值化
查找轮廓，并且把轮廓信息按不同的编号绘制在标记图像上，即标记种子点，将其传给marker参数
进行分水岭算法检测
绘制分割出来的区域，使用随机颜色进行填充

代码：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 1.读入图片
img = cv.imread(r"D:\Desktop\00aa\1.png")
gray_img = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 2.canny边缘检测
canny = cv.Canny(gray_img, 80, 150)

# 3.轮廓检测并设置标记图像
# 寻找图像轮廓 返回修改后的图像 图像的轮廓 以及它们的层次
contours, hierarchy = cv.findContours(canny, cv.RETR_TREE, cv.CHAIN_APPROX_SIMPLE)
# 32位有符号整数类型，
marks = np.zeros(img.shape[:2], np.int32)
# findContours检测到的轮廓
imageContours = np.zeros(img.shape[:2], np.uint8)

# 轮廓颜色
compCount = 0
index = 0
# 绘制每一个轮廓
for index in range(len(contours)):
    # 对marks进行标记，对不同区域的轮廓使用不同的亮度绘制，相当于设置注水点，有多少个轮廓，就有多少个轮廓
    # 图像上不同线条的灰度值是不同的，底部略暗，越往上灰度越高
    marks = cv.drawContours(marks, contours, index, (index, index, index), 1, 8, hierarchy)
    # 绘制轮廓，亮度一样
    imageContours = cv.drawContours(imageContours, contours, index, (255, 255, 255), 1, 8, hierarchy)

# 4 使用分水岭算法，并给不同的区域随机填色
# cv.watershed(输入图像,标记图像)
marks = cv.watershed(img, marks)
# 实现图像增强等相关操作的快速运算  图像sobely转换回灰度
afterWatershed = cv.convertScaleAbs(marks)

# 生成随机颜色
colorTab = np.zeros((np.max(marks) + 1, 3))
# 生成0~255之间的随机数
for i in range(len(colorTab)):
    aa = np.random.uniform(0, 255)
    bb = np.random.uniform(0, 255)
    cc = np.random.uniform(0, 255)
    colorTab[i] = np.array([aa, bb, cc], np.uint8)

bgrImage = np.zeros(img.shape, np.uint8)

# 遍历marks每一个元素值，对每一个区域进行颜色填充
for i in range(marks.shape[0]):
    for j in range(marks.shape[1]):
        # index值一样的像素表示在一个区域
        index = marks[i][j]
        # 判断是不是区域与区域之间的分界,如果是边界(-1)，则使用白色显示
        if index == -1:
            bgrImage[i][j] = np.array([255, 255, 255])
        else:
            bgrImage[i][j] = colorTab[index]
# 5 图像显示
plt.imshow(bgrImage[:, :, ::-1])
plt.title('result')
plt.xticks([]), plt.yticks([])
plt.show()

分割结果如下所示：

基于OpenCV的图像分割（分水岭算法和GrabCut）,笔记,计算机视觉,图像处理,人工智能

二、GrabCut

GrabCut算法的优势是：

1、只需要在目标外面画一个框，把目标框住，它就可以完成良好的分割：

2、如果增加额外的用户交互（由用户指定一些像素属于目标），那么效果会更好

3、它的边界处理技术会使目标分割边界更加自然和柔和：

该算法也有不完美的地方，如果背景比较复杂或者背景和目标的相似度很大，那分割效果就不好，而且该算法的速度较慢。

在openCV中实现GrabCut算法，使用的API:

grabCut(img,mask,rect,bgdModel,fgdModel,iterCount,mode )

参数：

img:输入图像，必须是8位的3通道彩色图像
mask: 掩码图像，如果使用掩码进行初始化，那么mask保存初始化掩码信息；也可以将用户交互所设定的前景与背景保存到mask中，然后再传入grabCut函数；在处理结束之后，mask中会保存结果。mask只能取以下四种值：
rect:用于限定需要进行分割的图像范围，只有该矩形窗口内的图像部分才被处理
bgdModel:背景模型，如果为None，函数内部会自动创建一个bgdModel；bgdModel必须是单通道浮点型图像，且行数只能为1，列数只能为13x5
fgdModel:前景模型，如果为None，函数内部会自动创建一个fgdModel；fgdModel必须是单通道浮点型图像，且行数只能为1，列数只能为13x5
iterCount:迭代次数，必须大于0
mode：指明grabcut函数进行哪种操作，如下所示：

代码演示：

import numpy as np
import cv2 as cv
import matplotlib.pyplot as plt

# 1. 读取图片
img = cv.imread(r"D:\Desktop\00aa\1.png")

# 2. 掩码图像
mask = np.zeros(img.shape[:2], np.uint8)

print(img.shape[:2])
# 3.矩形窗口(x,y,w,h)；
rect = [0, 0, 389, 582] # 全图显示，但是要注意，利用img.shape[:2]获取图像大小后，维度都需要减1才能填入w,h。利用shape获取的维度是h,w

# 4.物体分割
cv.grabCut(img, mask, tuple(rect), None, None, 5, cv.GC_INIT_WITH_RECT)

# 5.抠取图像
mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype('uint8')
img_show = img * mask2[:, :, np.newaxis]

# 将矩形框绘制在图像上
cv.rectangle(img, (0, 0), (389, 582), (0, 255, 0), 3)

# # 6.图像显示
plt.figure(figsize=(10, 8), dpi=100)
plt.subplot(121), plt.imshow(img[:, :, ::-1]), plt.title('矩形框选位置')
plt.xticks([]), plt.yticks([])
plt.subplot(122), plt.imshow(img_show[:, :, ::-1]), plt.title('抠取结果')
plt.xticks([]), plt.yticks([])
plt.show()

基于OpenCV的图像分割（分水岭算法和GrabCut）,笔记,计算机视觉,图像处理,人工智能