分水嶺算法（理論+opencv實現）

分水嶺算法理論

 

　　從意思上就知道通過用水來進行分類，學術上說什么基於拓撲結構的形態學。。。其實就是根據把圖像比作一副地貌，然后通過最低點和最高點去分類！

 

---

 

原始的分水嶺：

 

　　就是上面說的方式，接下來用一幅圖進行解釋---->>>

　　　　　　把圖像用一維坐標表示，二維和三維不好畫，必須用matlab了，我不會用，意思可以表述到位

 

• 　　　　　　第一步：找到圖像的局部最低點，這個方法很多了，可以用一個內核去找，也可以一個一個比較，實現起來不難。
• 　　　　　　第二步：從最低點開始注水，水開始網上滿（圖像的說法就是梯度法），其中那些最低點已經被標記，不會被淹沒，那些中間點是被淹沒的。
• 　　　　　　第三步：找到局部最高點，就是圖中3位置對應的兩個點。
• 　　　　　　第四步：這樣基於局部最小值，和找到的局部最大值，就可以分割圖像了。

 

 

分類圖

模擬結果圖

 

 

　　是不是感覺上面的方法很好，也很簡單？接着看下面的圖：

 　　　　　　利用上面的步驟，第一步找到了三個點，然后第二步開始漫水，這三個點都被記錄下來了，又找到兩個局部最大值。

　　　　   這是我們想要的嗎？

　　　　   回答是否定的！其中中間那個最小值我們不需要，因為只是一個很少並且很小的噪點而已，我們不需要圖像分割的那么細致。

　　　　　缺陷顯露出來了吧？沒關系，下面我們的opencv把這個問題解決了。

 

模擬分類圖 

模擬結果圖

---

 

 opencv改進的分水嶺算法：

 　　

　　針對上面出現的問題，我們想到的是能不能給這種小細節一個標記，讓它不屬於我們找的最小的點呢？

　  opencv對其改進就是使用了人工標記的方法，我們標記一些點，基於這些點去引導分水嶺算法的進行，效果很好！　

 　　　　　　比如我們對上面的圖像標記了兩個三角形，第一步我們找到三個局部最小點，第二步淹沒的時候三個點都被淹沒了，然而中間那個沒被標記，那就淹死了（沒有救生圈），其余兩個點保留，這樣就可以達到我們的想要的結果了。

　　注釋：這里的標記是用不同的標號進行的，我為了方便使用了同樣的三角形了。因為標記用來分類，所以不同的標記打上不同的標號！這在下面opencv程序中體現了。。。

 模擬分類圖

模擬結果圖

 

 

---

 

注釋：具體的實現沒有完成，感覺原理懂了會使用了這樣就可以了，當你需要深入的時候再去研究實現的算法，當你淺淺的使用懂了原理應該會改一點，面試過了完全可以啊！哈哈哈~~

 

opencv實現：

 

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

void waterSegment(InputArray& _src, OutputArray& _dst, int& noOfSegment);

int main(int argc, char** argv) {
    
    Mat inputImage = imread("coins.jpg");
    assert(!inputImage.data);
    Mat graImage, outputImage;
    int offSegment;
    waterSegment(inputImage, outputImage, offSegment);

    waitKey(0);
    return 0;
}

void waterSegment(InputArray& _src,OutputArray& _dst,int& noOfSegment)
{
    Mat src = _src.getMat();//dst = _dst.getMat();
    Mat grayImage;
    cvtColor(src, grayImage,CV_BGR2GRAY);
    threshold(grayImage, grayImage, 0, 255, THRESH_BINARY | THRESH_OTSU);
    Mat kernel = getStructuringElement(MORPH_RECT, Size(9, 9), Point(-1, -1));
    morphologyEx(grayImage, grayImage, MORPH_CLOSE, kernel);
    distanceTransform(grayImage, grayImage, DIST_L2, DIST_MASK_3, 5);
    normalize(grayImage, grayImage,0,1, NORM_MINMAX);
    grayImage.convertTo(grayImage, CV_8UC1);
    threshold(grayImage, grayImage,0,255, THRESH_BINARY | THRESH_OTSU);
    morphologyEx(grayImage, grayImage, MORPH_CLOSE, kernel);
    vector<vector<Point>> contours;
    vector<Vec4i> hierarchy;
    Mat showImage = Mat::zeros(grayImage.size(), CV_32SC1);
    findContours(grayImage, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(-1, -1));
    for (size_t i = 0; i < contours.size(); i++)
    {
        //這里static_cast<int>(i+1)是為了分水嶺的標記不同，區域1、2、3。。。。這樣才能分割
        drawContours(showImage, contours, static_cast<int>(i), Scalar::all(static_cast<int>(i+1)), 2);
    }
    Mat k = getStructuringElement(MORPH_RECT, Size(3, 3), Point(-1, -1));
    morphologyEx(src, src, MORPH_ERODE, k);
    watershed(src, showImage);

    //隨機分配顏色
    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));
    }

    // 顯示
    Mat dst = Mat::zeros(showImage.size(), CV_8UC3);
    int index = 0;
    for (int row = 0; row < showImage.rows; row++) {
        for (int col = 0; col < showImage.cols; col++) {
            index = showImage.at<int>(row, col);
            if (index > 0 && index <= contours.size()) {
                dst.at<Vec3b>(row, col) = colors[index - 1];
            }
            else if (index == -1)
            {
                dst.at<Vec3b>(row, col) = Vec3b(255, 255, 255);
            }
            else {
                dst.at<Vec3b>(row, col) = Vec3b(0, 0, 0);
            }
        }
    }
}

 

 

 

 

 

 分水嶺合並代碼：

void segMerge(Mat& image, Mat& segments, int& numSeg)
{
    vector<Mat> samples;
    int newNumSeg = numSeg;
    //初始化變量長度的Vector
    for (size_t i = 0; i < newNumSeg; i++)
    {
        Mat sample;
        samples.push_back(sample);
    }
    for (size_t i = 0; i < segments.rows; i++)
    {
        for (size_t j = 0; j < segments.cols; j++)
        {
            int index = segments.at<uchar>(i, j);
            if (index >= 0 && index <= newNumSeg)//把同一個區域的點合並到一個Mat中
            {
                if (!samples[index].data)//數據為空不能合並，否則報錯
                {
                    samples[index] = image(Rect(j, i, 1, 1));
                }
                else//按行合並
                {
                    vconcat(samples[index], image(Rect(j, i, 2, 1)), samples[index]);
                }
            }
            //if (index >= 0 && index <= newNumSeg)
            //    samples[index].push_back(image(Rect(j, i, 1, 1)));
        }
    }
    vector<Mat> hist_bases;
    Mat hsv_base;
    int h_bins = 35;
    int s_bins = 30;
    int histSize[2] = { h_bins , s_bins };
    float h_range[2] = { 0,256 };
    float s_range[2] = { 0,180 };
    const float* range[2] = { h_range,s_range };
    int channels[2] = { 0,1 };
    Mat hist_base;
    for (size_t i = 1; i < numSeg; i++)
    {
        if (samples[i].dims > 0)
        {
            cvtColor(samples[i], hsv_base, CV_BGR2HSV);
            calcHist(&hsv_base, 1, channels, Mat(), hist_base, 2, histSize, range);
            normalize(hist_base, hist_base, 0, 1, NORM_MINMAX);
            hist_bases.push_back(hist_base);
        }
        else
        {
            hist_bases.push_back(Mat());
        }
    }
    double similarity = 0;
    vector<bool> merged;//是否合並的標志位
    for (size_t i = 0; i < hist_bases.size(); i++)
    {
        for (size_t j = i+1; j < hist_bases.size(); j++)
        {
            if (!merged[j])//未合並的區域進行相似性判斷
            {
                if (hist_bases[i].dims > 0 && hist_bases[j].dims > 0)//這里維數判斷沒必要，直接用個data就可以了
                {
                    similarity = compareHist(hist_bases[i], hist_bases[j], HISTCMP_BHATTACHARYYA);
                    if (similarity > 0.8)
                    {
                        merged[j] = true;//被合並的區域標志位true
                        if (i != j)//這里沒必要，i不可能等於j
                        {
                            newNumSeg --;//分割部分減少
                            for (size_t p = 0; p < segments.rows; p++)
                            {
                                for (size_t k = 0; k < segments.cols; k++)
                                {
                                    int index = segments.at<uchar>(p, k);
                                    if (index == j) segments.at<uchar>(p, k) = i;
                                }
                            }
                        }
                    }
                }
            }
        }
    }
    numSeg = newNumSeg;//返回合並之后的區域數量
}

 

 

 

 

 

 

 

 

 

 

 

 

 

 

參考：

　　　　http://blog.csdn.net/iracer/article/details/49225823

　　　　http://www.cnblogs.com/mikewolf2002/p/3304118.html

　　　　http://lib.csdn.net/article/opencv/22776

　　　　《opencv圖像處理編程實例》

　　　　代碼參考賈老師視頻，原理早就看了毛星雲的書本，但是當時一知半解，現在從頭看一下子就懂了。