分水嶺算法（理論+opencv實現(xiàn)）

???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(nèi)核去找，也可以一個一個比較，實現(xiàn)起來不難。

第二步：從最低點開始注水，水開始網(wǎng)上滿（圖像的說法就是梯度法），其中那些最低點已經(jīng)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：這樣基于局部最小值，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？接著看下面的圖：

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，因為只是一個很少并且很小的噪點而已，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(xiàn)的問題，我們想到的是能不能給這種小細節(jié)一個標記，讓它不屬于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，基于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(xiàn)了。。。

模擬分類圖

模擬結果圖

注釋：具體的實現(xiàn)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(xiàn)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??！哈哈哈~~

opencv實現(xiàn)：

#include

#include

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> contours;

vector 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(i+1)是為了分水嶺的標記不同，區(qū)域1、2、3。。。。這樣才能分割

drawContours(showImage, contours, static_cast(i), Scalar::all(static_cast(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 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(row, col);

if (index > 0 && index <= contours.size()) {

dst.at(row, col) = colors[index - 1];

}

else if (index == -1)

{

dst.at(row, col) = Vec3b(255, 255, 255);

}

else {

dst.at(row, col) = Vec3b(0, 0, 0);

}

}

}

}

分水嶺合并代碼：

void segMerge(Mat& image, Mat& segments, int& numSeg)

{

vector 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(i, j);

if (index >= 0 && index <= newNumSeg)//把同一個區(qū)域的點合并到一個Mat中

{

if (!samples[index].data)//數(shù)據(jù)為空不能合并，否則報錯

{

samples[index] = image(Rect(j, i, 1, 1));

}

else//按行合并

{

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 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 merged;//是否合并的標志位

for (size_t i = 0; i < hist_bases.size(); i++)

{

for (size_t j = i+1; j < hist_bases.size(); j++)

{

if (!merged[j])//未合并的區(qū)域進行相似性判斷

{

if (hist_bases[i].dims > 0 && hist_bases[j].dims > 0)//這里維數(shù)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;//被合并的區(qū)域標志位true

if (i != j)//這里沒必要，i不可能等于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(p, k);

if (index == j) segments.at(p, k) = i;

}

}

}

}

}

}

}

}

numSeg = newNumSeg;//返回合并之后的區(qū)域數(shù)量

}