2. 程式人生 > >【OpenCV學習筆記 023】兩種影象分割方法比較

【OpenCV學習筆記 023】兩種影象分割方法比較

阿新 • • 發佈：2019-02-01

此次研究兩種影象分割法，分別是基於形態學的分水嶺演算法和基於圖割理論的GrabCut演算法。OpenCV均提供了兩張演算法或其變種。鑑於研究所需，記錄一些知識點，開發平臺為OpenCV2.4.9+Qt5.3.2。

一、使用分水嶺演算法進行影象分割

分水嶺變換是一種常用的影象處理演算法，在網上很容易搜到詳細的原理分析。簡單來說，這是一種基於拓撲理論的數學形態學的影象分割方法，其基本思想是把影象看作是測地學上的拓撲地貌，影象中每一點畫素的灰度值表示該點的海拔高度，每一個區域性極小值及其影響區域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模擬浸入過程來說明。在每一個區域性極小值表面，刺穿一個小孔，然後把整個模型慢慢浸入水中，隨著浸入的加深，每一個區域性極小值的影響域慢慢向外擴充套件，在兩個集水盆匯合處構築大壩，即形成分水嶺。

分水嶺演算法簡單，因此存在一些缺陷，如容易導致影象的過度分割。分水嶺演算法對微弱邊緣具有良好的響應，影象中的噪聲、物體表面細微的灰度變化，都會產生過度分割的現象。

為消除分水嶺演算法產生的過度分割，有兩種常規的處理方法，一是利用先驗知識去除無關邊緣資訊。二是修改梯度函式使得集水盆只響應想要探測的目標。

OpenCV提供了該演算法的改進版本，使用預定義的一組標記來引導對影象的分割，該演算法是通過cv::watershed函式來實現的。

要實現分水嶺演算法，首先新建一個類WaterShedSegmentation，在watershedsegmentation.h中新增：

#ifndef WATERSHEDSEGMENTATION_H
 

#define WATERSHEDSEGMENTATION_H
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>

class WaterShedSegmentation
{
public:

    void setMarkers(const cv::Mat &markerImage); // 將原影象轉換為整數影象
    cv::Mat process(const cv::Mat &image); // // 分水嶺演算法實現
 

    // 以下是兩種簡化結果的特殊方法
    cv::Mat getSegmentation();
    cv::Mat getWatersheds();

private:
    cv::Mat markers; // 用於非零畫素點的標記
};

#endif // WATERSHEDSEGMENTATION_H
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22

接著，在watershedsegmentation.cpp中新增：

#include "watershedsegmentation.h"
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>

void WaterShedSegmentation::setMarkers(const cv::Mat &markerImage) // 該函式將原影象轉換為整數影象
{
    markerImage.convertTo(markers,CV_32S);
}

cv::Mat WaterShedSegmentation::process(const cv::Mat &image)
{
  // 使用分水嶺演算法
  cv::watershed(image,markers);
  return markers;
}

// 以下是兩種簡化結果的特殊方法
// 以影象的形式返回分水嶺結果
cv::Mat WaterShedSegmentation::getSegmentation()
{
  cv::Mat tmp;
  // 所有畫素值高於255的標籤分割均賦值為255
  markers.convertTo(tmp,CV_8U);
  return tmp;
}

cv::Mat WaterShedSegmentation::getWatersheds()
{
  cv::Mat tmp;
  markers.convertTo(tmp,CV_8U,255,255);
  return tmp;
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33

main函式修改如下：

#include <QCoreApplication>
#include "watershedsegmentation.h"
#include <opencv2/core/core.hpp>
#include <opencv2/highgui/highgui.hpp>
#include <opencv2/imgproc/imgproc.hpp>

int main(int argc, char *argv[])
{
    QCoreApplication a(argc, argv);

    // 輸入待處理的影象
    cv::Mat image= cv::imread("c:/Fig4.41(a).jpg");
    if (!image.data)
        return 0;

    cv::namedWindow("Original Image");
    cv::imshow("Original Image",image);

    // 輸入影象，將其轉化為二值影象
    cv::Mat binary;
    binary= cv::imread("c:/Fig4.41(a).jpg",0);

    // 顯示二值影象
    cv::namedWindow("Binary Image");
    cv::imshow("Binary Image",binary);

    // 移除噪點
    cv::Mat fg;
    cv::erode(binary,fg,cv::Mat(),cv::Point(-1,-1),6);

    // 顯示前景影象
    cv::namedWindow("Foreground Image");
    cv::imshow("Foreground Image", fg);

    // 識別背景影象，生成的黑色畫素對應背景畫素
    cv::Mat bg;
    cv::dilate(binary,bg,cv::Mat(),cv::Point(-1,-1),6);
    cv::threshold(bg, bg, 1, 128, cv::THRESH_BINARY_INV);

    // 顯示背景影象
    cv::namedWindow("Background Image");
    cv::imshow("Background Image", bg);

    // 顯示標記影象
    cv::Mat markers(binary.size(), CV_8U,cv::Scalar(0));
    markers= fg + bg;
    cv::namedWindow("Markers");
    cv::imshow("Markers", markers);

    // 以下進行分水嶺演算法
    WaterShedSegmentation segmenter;

    segmenter.setMarkers(markers);
    segmenter.process(image);

    // 以下是兩種處理結果，顯示分割結果
    cv::namedWindow("Segmentation");
    cv::imshow("Segmentation", segmenter.getSegmentation());

    cv::namedWindow("Watersheds");
    cv::imshow("Watersheds",segmenter.getWatersheds());

    return a.exec();
}
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 25
  • 26
  • 27
  • 28
  • 29
  • 30
  • 31
  • 32
  • 33
  • 34
  • 35
  • 36
  • 37
  • 38
  • 39
  • 40
  • 41
  • 42
  • 43
  • 44
  • 45
  • 46
  • 47
  • 48
  • 49
  • 50
  • 51
  • 52
  • 53
  • 54
  • 55
  • 56
  • 57
  • 58
  • 59
  • 60
  • 61
  • 62
  • 63
  • 64

效果1：演算法識別出屬於前景和背景的畫素（有誤差）。

這裡寫圖片描述

效果2：組合前景和背景圖，形成標記圖形，這是分水嶺的輸入引數。

這裡寫圖片描述

效果3：分割結果中，標記影象得到更新。

這裡寫圖片描述

效果4：顯示邊界影象。

這裡寫圖片描述

可以看出，分水嶺演算法對微弱邊緣具有良好的響應，是得到封閉連續邊緣的保證的。但對於不同質量的影象其分割效果不盡相同，但總的來說效果仍需要改進。

二、使用GrabCut演算法分割影象

GrabCut是另一種同樣較為流行的影象分割演算法。GrabCut是在GraphCut基礎上改進的一種影象分割演算法，它並非基於影象形態學，而是基於圖割理論（參考：http://www.cnblogs.com/tornadomeet/archive/2012/11/06/2757585.html）。在使用GrabCut時，需要人工給定一定區域的目標或者背景，然後演算法根據設定的引數來進行分割。GrabCut在計算時比分水嶺演算法更加複雜，尤其適合從靜態影象中提取前景照片的應用。
OpenCV中提供了cv::grabcut函式，因此只需提供影象並標記背景畫素和前景畫素，基於區域性的標記，演算法即可將影象中的畫素進行分割。在這裡使用的區域性標記方法是定義一個矩形。cv::grabcut的函式定義如下：

    cv::grabCut(image,    // 輸入影象
                result,   // 分割輸出結果
                rectangle,// 包含前景物體的矩形
                bgModel,fgModel, // 模型
                1,        // 迭代次數
                cv::GC_INIT_WITH_RECT); // 使用矩形進行初始化
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6

在main函式新增：

    // GrabCut演算法
    cv::Mat image= cv::imread("c:/Fig8.04(a).jpg");

    // 設定矩形
    cv::Rect rectangle(50,70,image.cols-150,image.rows-180);

    cv::Mat result; // 分割結果 (4種可能取值)
    cv::Mat bgModel,fgModel; // 模型(內部使用)
    // 進行GrabCut分割
    cv::grabCut(image, result, rectangle, bgModel, fgModel, 1, cv::GC_INIT_WITH_RECT); 
    // 得到可能為前景的畫素
    cv::compare(result, cv::GC_PR_FGD, result,cv::CMP_EQ);
    // 生成輸出影象
    cv::Mat foreground(image.size(), CV_8UC3, cv::Scalar(255,255,255));
    image.copyTo(foreground, result); // 不復制背景資料

    // 包含矩形的原始影象
    cv::rectangle(image, rectangle, cv::Scalar(255,255,255),1);
    cv::namedWindow("Orginal Image");
    cv::imshow("Orginal Image", image);

    // 輸出前景影象結果
    cv::namedWindow("Foreground Of Segmented Image");
    cv::imshow("Foreground Of Segmented Image", foreground);
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12
  • 13
  • 14
  • 15
  • 16
  • 17
  • 18
  • 19
  • 20
  • 21
  • 22
  • 23
  • 24

效果：
這裡寫圖片描述

在函式cv::grabCut中，最後一個引數表示我們使用的是包圍盒模式，而該演算法支援的輸入/輸出分割影象可以有四種數值，如函式cv::compare函式中的引數：
cv::GC_BGD：確定屬於背景的畫素；
cv::GC_FGD：確定屬於前景的元素；
cv::GC_PR_BGD：可能屬於背景的元素；
cv::GC_PR_FGD：可能屬於前景的元素。

在上圖中，GrabCut演算法通過指定方框區域來提取前景物體。同時，也可將數值cv::GC_BGD和cv::GC_FGD賦予分割影象的某些特定畫素，並且把這類分割影象作為cv::grabcut函式的第二個引數（此時需要指定GC_INIT_WITH_MASK作為輸入模式）。

基於這些資訊，GrabCut通過以下主要步驟建立分割：

  1. 前景標籤(cv::GC_PR_FGD)被臨時賦予所有為標記的畫素。基於當前的分類，演算法將畫素歸類為顏色或灰度值相似的聚類。
  2. 通過引入背景與前景畫素的邊界進行分割。這個優化的過程嘗試將標籤相似的畫素相連線，這裡利用了在強度相對已知的區域之間對邊界畫素的（懲罰？）。這個最優化問題通過GraphCut演算法得到高效解決。
  3. 對獲取的分割結果產生新的畫素標籤，重複聚類過程，找到新的最優解。根據場景的複雜度，得到最佳結果，對於簡單的場景，有時只需要一次迭代。

關於GrabCut演算法，還需要進一步研究GraphCut才能深刻理解。

相關推薦

【OpenCV學習筆記 023】兩種影象分割方法比較

此次研究兩種影象分割法，分別是基於形態學的分水嶺演算法和基於圖割理論的GrabCut演算法。OpenCV均提供了兩張演算法或其變種。鑑於研究所需，記錄一些知識點，開發平臺為OpenCV2.4.9+Qt5.3.2。 一、使用分水嶺演算法進行影象分割 分水嶺變換是一種常用的影象處理演算法，在網上很容易搜到詳細

【opencv學習筆記二】opencv3.4.0元件結構說明

在學習opencv使用之前我們先來看一下opencv有哪些元件結構。至於OpenCV元件結構的研究方法，我們不妨管中窺豹，通過opencv安裝路徑下include目錄裡面標頭檔案的分類存放，來一窺OpenCV這些年迅猛發展起來的龐雜元件架構。我們進入到D:\ProgramFi

【OpenCV學習筆記 019】SIFT和SURF演算法實現目標檢測

一、SIFT和SURF運算元實現特徵點檢測 概述 在OpenCV的features2d中實現了SIFT和SURF演算法，可以用於影象特徵點的自動檢測。具體實現是採用SiftFeatureDetector/SurfFeatureDetector類的detect函式檢測SIFT

【OpenCV學習筆記 020】K-Means聚類演算法介紹及實現

一、K-Means演算法介紹 在資料探勘中，K-Means演算法是一種cluster analysis的演算法，其主要是來計算資料聚集的演算法，主要通過不斷地取離種子點最近均值的演算法。 問題 K-Means演算法主要解決的問題如下圖所示。我們可以看到，在圖的左邊有一些點，

【OpenCV學習筆記 010】提取直線、輪廓及連通區域

一、Canny運算元檢測輪廓   (http://blog.csdn.net/davebobo/article/details/52583167) 1.概念及原理 (1)之前我們是對梯度大小進行閾值化以得到二值的邊緣影象。但是這樣做有兩個缺點。其一是檢測到的邊緣過粗，難以實

【opencv學習筆記一】opencv下載安裝與VS2017開發環境配置

目錄1.opencv下載與安裝2.計算機環境變數配置3.VS目錄包含l  包含目錄l  工程錄目錄l  附加依賴項l  在Windows資料夾下加入OpenCV動態連結庫正文一、opencv下載與安裝1.下載地址：官網下載地址https://opencv.org/      

【OpenCV學習筆記 004】 影象的縮放、Canny邊緣檢測和影象的二值化

一、影象的縮放 本篇將介紹使用OpenCV來縮放圖片。首先介紹幾個關鍵函式——cvResize和cvCreateImage 1.主要函式介紹 1.1 cvResize 函式功能：影象大小變換 函式原型： voidcvResize(   const CvArr* src,

【opencv學習筆記四】opencv3.4.0圖形使用者介面highgui函式解析

在筆記二中我們已經知道了，在highgui資料夾下的正是opencv圖形使用者介面功能結構，我們這篇部落格所說的便是D:\Program Files\opencv340\opencv\build\include\opencv2\highgui\highgui.hpp中的函數了

【OpenCV學習筆記】之影象輪廓特徵與影象的矩

轉載： https://blog.csdn.net/zhu_hongji/article/details/81699736   一、影象的輪廓(Contours of Image)        輪廓可以說是一個很好的影象目標的

【OpenCV學習筆記】三十七、特徵檢測與匹配(二)——SIFT特徵點匹配

特徵檢測與匹配(二)——SIFT特徵點匹配 1.SIFT特徵點提取 2.繪製特徵點 3.特徵點描述符(特徵向量)提取 4.使用暴力匹配器進行暴力匹配 5.對匹配結果進行篩選（依據DMatch結構體中的float型別變數distance進行篩選） 6.繪製匹配結果 先上ppt

【OpenCV學習筆記】2.3影象的腐蝕、膨脹、模糊、邊緣檢測

一、腐蝕和膨脹： 膨脹演算法使影象擴大一圈 腐蝕演算法使二值影象減小一圈 1、演算法： 從影象處理角度看，二值影象的腐蝕和膨脹就是將一個小型二值圖（結構元素，一般為3*3大小）在一個大的二值圖上逐點移動並進行比較，根據比較的結果作出相應處理而已。

【opencv學習筆記】002之載入影象imread、修改影象cvtColor、顯示影象imshow及儲存影象imwrite

目錄 一、前言 二、影象基本操作 1、載入影象CV :: imread 2、建立視窗cv::namedWindow 3、顯示影象CV :: imshow 4、修改影象 (cv::cvtColor) 5、儲存影象 (cv::imwrite) 三、全部程式碼及結果展示

【opencv學習筆記】1、opencv縮放圖片

#include <opencv2\opencv.hpp> using namespace std; int main() { //定義原圖視窗標題 const char *windowsTitle = "原圖"; //定義縮放後窗口標題 const char *

【OpenCV學習筆記】之三：Mat初始建立方法----要求資料連續儲存

int rows=15; // int cols=40; int size=rows*cols; vector<int>Va(size); vector<Vec<int, 8>>Vb(size); vector<Vec4i>V

【OpenCV學習筆記】三十、輪廓特徵屬性及應用(七)—位置關係及輪廓匹配

輪廓特徵屬性及應用(七)—位置關係及輪廓匹配 1.計算點與輪廓的距離及位置關係——pointPolygonTest() 2.矩的計算——moments() 3.形狀匹配(比較兩個形狀或輪廓間的相似度)

【opencv學習筆記】一. 網路攝像頭視訊儲存

目標：將網路攝像頭的視訊流儲存在電腦中 #include <opencv2/core/core.hpp> #include <opencv2/highgui/highgui.hpp> #include <iostream>

【canvas學習筆記一】基本認識

基本認識 設置 supported eight -c 失真 ont 之前 上下 <canvas>標簽定義了一塊畫布，畫布可以在網頁中繪制2D和3D圖象，現在先學習如何繪制2D圖象，繪制3D圖象屬於WebGL的內容（也就是網頁版的OpenGL，3D圖形接口）。 屬

【UEFI+GPT/BIOS+MBR】兩種模式在Windows系統下安裝Ubantu系統

重新 資料 ble 理解 bio swap 教程 net 很多 最近在聯想Windows10下安裝了Ubantu16.04的系統，踩了很多坑，寫下來分享一下。 通過網絡資料，理解BIOS+MBR一直是之前電腦的Windows系統安裝和引導的模式，但Win8問世後，基本

【mysql學習筆記整理】

結束 ant 出現次數 varchar 移動 desc cal direct 指定 /*mysql學習筆記整理*/ /*常用的數據庫操作對象*/ #庫的操作#創建#數據庫的創建USE mysql;CREATE DATABASE db_x;#刪除#刪除數據庫DROP

【深度學習筆記1】如何建立和確定模型正確性？如何優化模型？

近期看了吳恩達的一本書，關於如何建立和確定優化模型？裡面有個人認為需要學習的地方，故做筆記： 1.模型訓練一共有三個資料集：訓練集、開發集（驗證集）、測試集。開發集不能太小，通常在1000-10000，並且測試集屬於同一分佈；2.過擬合：訓練過程中開發集的準確率和測試集測試的準確率差別不大，若開發集比測試集