粘連物體如何影象分割
1。 分水嶺分割方法
它是依賴於形態學的，影象的灰度等級不一樣，如果影象的灰度等級一樣的情況下怎麼人為的把它造成不一樣？可以透過距離變換實現，這樣它們的灰度值就有了階梯狀的變換。風水嶺演算法常見的有三種方法：（1）基於浸泡理論的分水嶺分割方法；（2）基於連通圖方法；（3）基於距離變換的方法。OpenCV 中是基於距離變換的分割方法，就相當於我們的小山頭（認為造成的）。
基本的步驟：
例子1 粘連物件分離和計數。
例子程式碼：
#include#includeusing namespace std；using namespace cv；void test（）{ Mat srcImg； srcImg = imread（“pill_002。png”）； if （srcImg。empty（）） { cout << “could not load image。。。\n” << endl； } namedWindow（“Original image”， CV_WINDOW_AUTOSIZE）； imshow（“Original image”， srcImg）； Mat grayImg， binaryImg， shiftedImg； //做濾波，使影象更加平滑，保留邊緣，類似於雙邊濾波 pyrMeanShiftFiltering（srcImg， shiftedImg， 21， 51）； namedWindow（“shifted”， CV_WINDOW_AUTOSIZE）； imshow（“shifted”， shiftedImg）； cvtColor（shiftedImg， grayImg， COLOR_BGR2GRAY）； //轉為灰度影象 //二值化 threshold（grayImg， binaryImg， 0， 255， THRESH_BINARY | THRESH_OTSU）； namedWindow（“binary”， CV_WINDOW_AUTOSIZE）； imshow（“binary”， binaryImg）； //距離變換 Mat distImg； distanceTransform（binaryImg， distImg， DistanceTypes：：DIST_L2， 3， CV_32F）； //歸一化，因為距離變換後得出來的值都比較小。 normalize（distImg， distImg， 0， 1， NORM_MINMAX）； namedWindow（“distance”， CV_WINDOW_AUTOSIZE）； imshow（“distance”， distImg）； //這個二值化的作用是尋找區域性最大。 threshold（distImg， distImg， 0。4， 1， THRESH_BINARY）； namedWindow（“distance_binary”， CV_WINDOW_AUTOSIZE）； imshow（“distance_binary”， distImg）； //生成 marker Mat distMaskImg； // distImg 得到的是 0- 1之間的數，轉化成8位單通道的。 distImg。convertTo（distMaskImg， CV_8U）； vector>contours； //找到 marker 的輪廓 findContours（distMaskImg， contours， RETR_EXTERNAL， CHAIN_APPROX_SIMPLE， Point（0， 0））； //create marker 填充 marker Mat markersImg = Mat：：zeros（srcImg。size（）， CV_32SC1）； for （int i = 0； i < contours。size（）； i++） { drawContours（markersImg， contours， static_cast（i）， Scalar：：all（static_cast（i）+1）， -1）； } circle（markersImg， Point（5， 5）， 3， Scalar（255）， -1）； //形態學操作 - 彩色影象，目的是去掉干擾，讓結果更好。 Mat kernel = getStructuringElement（MORPH_RECT， Size（3， 3）， Point（-1， -1））； morphologyEx（srcImg， srcImg， MORPH_ERODE， kernel）； //完成分水嶺變換 watershed（srcImg， markersImg）； Mat mark = Mat：：zeros（markersImg。size（）， CV_8UC1）； markersImg。convertTo（mark， CV_8UC1）； bitwise_not（mark， mark， Mat（））； namedWindow（“watershed”， CV_WINDOW_AUTOSIZE）； imshow（“watershed”， mark）； //下面的步驟可以不做，最好做出來讓結果顯示更美觀。 //生成隨機顏色 vectorcolors； for （int 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））； } //顏色填充和最終顯示 Mat dstImg = Mat：：zeros（markersImg。size（）， CV_8UC3）； int index = 0； for （int i = 0； i < markersImg。rows； i++） { for （int j = 0； j < markersImg。cols； j++） { index = markersImg。at（i， j）； if （index > 0 && index <= contours。size（）） { dstImg。at（i， j） = colors［index - 1］； } else { dstImg。at（i， j） = Vec3b（0， 0， 0）； } } } cout << “number of objects：” << contours。size（） << endl； namedWindow（“Final Result”， CV_WINDOW_AUTOSIZE）； imshow（“Final Result”， dstImg）；}int main（）{ test（）； waitKey（0）； return 0；}
總結：有時候會導致碎片化，過度分割，因為二值化中如果有很多小的黑點或碎片，在分割的時候導致很多 mask ，即小山頭太多了，這個時候我們要考慮怎麼去合併它，可以透過聯通區域的直方圖，或者畫素值均值相似程度等。
例子2：影象分割
#include#includeusing namespace std；using namespace cv；//執行分水嶺演算法函式Mat watershedCluster（Mat &srcImg， int &numSegments）；//結果顯示函式void DisplaySegments（Mat &markersImg， int numSegments）；void test（）{ Mat srcImg； srcImg = imread（“toux。jpg”）； if （srcImg。empty（）） { cout << “could not load image。。。\n” << endl； } namedWindow（“Original image”， CV_WINDOW_AUTOSIZE）； imshow（“Original image”， srcImg）； int numSegments； Mat markers = watershedCluster（srcImg， numSegments）； DisplaySegments（markers， numSegments）；}Mat watershedCluster（Mat &srcImg， int &numSegments）{ //二值化 Mat grayImg， binaryImg； cvtColor（srcImg， grayImg， COLOR_BGR2GRAY）； threshold（grayImg， binaryImg， 0， 255， THRESH_BINARY | THRESH_OTSU）； //形態學和距離變換 Mat kernel = getStructuringElement（MORPH_RECT， Size（3， 3）， Point（-1， -1））； morphologyEx（binaryImg， binaryImg， MORPH_OPEN， kernel， Point（-1， -1））； Mat distImg； distanceTransform（binaryImg， distImg， DistanceTypes：：DIST_L2， 3， CV_32F）； normalize（distImg， distImg， 0。0， 1。0， NORM_MINMAX）； //開始生成標記 threshold（distImg， distImg， 0。1， 1。0， THRESH_BINARY）； normalize（distImg， distImg， 0， 255， NORM_MINMAX）； distImg。convertTo（distImg， CV_8UC1）； //CV_32F 轉成 CV_8UC1 //標記開始 vector>contours； vectorhireachy； findContours（distImg， contours， hireachy， RETR_CCOMP， CHAIN_APPROX_SIMPLE）； if （contours。empty（）） { return Mat（）； } Mat markersImg（distImg。size（）， CV_32S）； markersImg = Scalar：：all（0）； for （int i = 0； i < contours。size（）； i++） { drawContours（markersImg， contours， i， Scalar（i + 1）， -1， 8， hireachy， INT_MAX）； } circle（markersImg， Point（5， 5） ，3， Scalar（255）， -1）； //分水嶺變換 watershed（srcImg， markersImg）； numSegments = contours。size（）； return markersImg；}void DisplaySegments（Mat &markersImg， int numSegments）{ //生成隨機顏色 vectorcolors； for （int i = 0； i < numSegments； 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））； } //顏色填充和最終顯示 Mat dstImg = Mat：：zeros（markersImg。size（）， CV_8UC3）； int index = 0； for （int i = 0； i < markersImg。rows； i++） { for （int j = 0； j < markersImg。cols； j++） { index = markersImg。at（i， j）； if （index > 0 && index <= numSegments） { dstImg。at（i， j） = colors［index - 1］； } else { dstImg。at（i， j） = Vec3b（255， 255， 255）； } } } cout << “number of objects：” << numSegments << endl； namedWindow（“Final Result”， CV_WINDOW_AUTOSIZE）； imshow（“Final Result”， dstImg）；}int main（）{ test（）； waitKey（0）； return 0；}
效果圖：
2。 GrabCut 演算法分割影象
GrabCut 演算法的原理前面有介紹過，這裡就不在介紹了，具體可以看下文章末尾往期推薦中閱讀。下面例子實現影象中物件的摳圖。
基本步驟：
例子程式碼：
#include#includeusing namespace std；using namespace cv；int numRun = 0； //演算法迭代次數bool init = false；Rect rect；Mat srcImg， MaskImg， bgModel， fgModel；//滑鼠回撥函式void onMouse（int event， int x， int y， int flags， void* param）；void showImg（）； //顯示畫的圖片void setRoiMask（）； //選擇 ROI 的函式void runGrabCut（）； //執行演算法函式static void ShowHelpText（）； //提示使用者操作函式void test（）{ srcImg = imread（“toux。jpg”）； if （srcImg。empty（）） { cout << “could not load image。。。\n” << endl； } namedWindow（“Original image”， CV_WINDOW_AUTOSIZE）； imshow（“Original image”， srcImg）； //初始化 mask，單通道 8 位 MaskImg。create（srcImg。size（）， CV_8UC1）； //在不知道它是前景還是背景的情況下，把它全部設為背景。 MaskImg。setTo（Scalar：：all（GC_BGD））； //結果不是 0 就是 1 GC_BGD為0 setMouseCallback（“Original image”， onMouse， 0）； while （true） { char c = （char）waitKey（0）； if （c == ‘n’） // 按下 n 建開始執行演算法 { runGrabCut（）； numRun++； showImg（）； cout << “current iteative times：” << numRun << endl； } if （c == 27） { break； } }}void onMouse（int event， int x， int y， int flags， void* param）{ switch （event） { case EVENT_LBUTTONDOWN： rect。x = x； rect。y = y； rect。width = 1； rect。height = 1； break； case EVENT_MOUSEMOVE： if （flags& EVENT_FLAG_LBUTTON） { rect = Rect（Point（rect。x， rect。y）， Point（x， y））； showImg（）； } break； case EVENT_LBUTTONUP： if （rect。width > 1 && rect。height > 1） { showImg（）； } break； default： break； }}void showImg（）{ Mat result， binMask； binMask。create（MaskImg。size（）， CV_8UC1）； binMask = MaskImg & 1； if （init） { srcImg。copyTo（result，binMask）； } else { srcImg。copyTo（result）； } rectangle（result， rect， Scalar（0， 0， 255）， 2， 8）； namedWindow（“Original image”， CV_WINDOW_AUTOSIZE）； imshow（“Original image”， result）；}void setRoiMask（）{ //GC_BGD = 0 明確屬於背景的畫素 //GC_FGD = 1 明確屬於前景的畫素 //GC_PR_BGD = 2 可能屬於背景的畫素 //GC_PR_FGD = 3 可能屬於前景的畫素 MaskImg。setTo（GC_BGD）； //為了避免選擇越界 rect。x = max（0， rect。x）； rect。y = max（0， rect。y）； rect。width = min（rect。width， srcImg。cols - rect。x）； rect。height = min（rect。height， srcImg。rows - rect。y）； //把我們選取的那一塊設為前景 MaskImg（rect）。setTo（Scalar（GC_PR_FGD））；}void runGrabCut（）{ if （rect。width < 2 || rect。height < 2） { return； } if （init） { grabCut（srcImg， MaskImg， rect， bgModel， fgModel， 1）； } else { grabCut（srcImg， MaskImg， rect， bgModel， fgModel， 1， GC_INIT_WITH_RECT）； init = true； }}static void ShowHelpText（）{ cout << “請先用滑鼠在圖片視窗中標記出屬於前景的區域” << endl； cout << “然後再按按鍵【n】啟動演算法” << endl； cout << “按鍵【ESC】- 退出程式” << endl；}int main（）{ ShowHelpText（）； test（）； waitKey（0）； return 0；}
效果圖：
