1 算法简介

分水岭算法的原理很容易查到，但是很多文章都是直接用的opencv或matlab函数，看不到具体实现方法，这篇文章希望能对大家有点帮助。

分水岭算法就是往山谷中注水，把不同湖水接触的位置称作分水岭，这么做的结果有两个：
1.得到整个区域的分界线
2.把整个区域编号

这是一种很容易过分割的算法，需要一些预处理手段和一些优化，本文只解析基本原理
（下图的注水过程是一种基于人为标记的方法）

2 代码步骤说明

分水岭算法的步骤如下：

1.将图像的所有像素按像素值从小到大排序，这里可以利用直方图将像素信息塞入数组

2.开始按灰度级从小到大顺序遍历所有像素，先将该灰度级的全部像素标记为待计算点，若点的邻域内有已存在的水池，则放入一个队列（先将水池边缘像素入队）

3.开始遍历队列，直到队列为空

3.1 若当前像素周围没有已经编号过的像素，则是新的水池
给与一个新的编号，并将邻域内的同灰度级像素加入队列
一直遍历队列到队列为空，即将这个新水池底部填满3.2 若像素周围有已经计算过的像素则看情况：
3.2.1 如果周围有2个不同的水池编号，则是分水岭
3.2.2 如果周围只有1个水池编号，则该点也是这个编号
3.2.3 周围有同层（待计算点），入队

4.开始计算下一个灰度级

所以这个算法就是从每个水池的边界开始一圈一圈，一个灰度级一个灰度级地向外蔓延的过程

3 python实现

import cv2
import numpy as np
from queue import Queue#队列maxhigh = 255 #水位
mask = -2       #用于标记每次涨水时，将会被水淹没的像素
watershed = 0   #用于标记分水岭边缘
#fixmark = np.array([-1,-1])#用于隔开队列的每个部分def checkedge(inputidx,w,h):if inputidx[0] >= h:return -1if inputidx[1] >= w:return -1if inputidx[0] < 0:return -1if inputidx[1] < 0:return -1return 0#def mark_end_que(que):# que.put(fixmark) def water(inputimg, size):imsize = size[0]*size[1]w = size[1]h = size[0]pixarray = np.zeros([imsize,2])#用于储存所有像素，以及坐标labelout = np.zeros(size)-1#distance = np.zeros(size)putquemask = np.zeros(size)labelsize = np.zeros(imsize)cnt = np.zeros(257)#累积直方图currenLabel = 0#湖区标号que = Queue(maxsize=0)#创建队列neighborbias4 = np.array([[0,-1],[-1,0],[0,1],[1,0]])#邻域偏移#neighborbias8 = np.array([[0,-1],[-1,-1],[-1,0],[-1,1],[0,1],[1,1],[1,0],[1,-1]])#邻域偏移#计算直方图，知道每个灰度级的位置hist = cv2.calcHist([inputimg],[0],None,[256],[0,256])#累计直方图的点就是每个灰度级在pixarray中的起始位置，但是要去除空的点hist[0] = hist[0] - 1#由于累积直方图是作为下标使用，因此最终求和结果不可等于imsizehistsum = 0for i in range(0,256):histsum = histsum + hist[i]cnt[i+1] = histsumcnt = cnt.astype(np.int32)cntidx = cnt[1:257].copy()#遍历图片记录全部像素，根据累积直方图排列像素顺序，到时候按顺序从低到高一个个涨水for y in range(0,h):for x in range(0,w):pix = inputimg[y,x]pixarray[(cntidx[pix]),:] = y,xcntidx[pix] = cntidx[pix] - 1#准备完成，开始涨水for nowgraylevel in range(0,maxhigh+1):print(nowgraylevel)#标记当前层灰度for idx in range(cnt[nowgraylevel],cnt[nowgraylevel+1]+1):nowpixaxis = pixarray[idx].astype(np.int32)labelout[nowpixaxis[0],nowpixaxis[1]] = mask#把在水池边缘的当前灰度级入队for nei in range(0,4):neighboraxis  = nowpixaxis + neighborbias4[nei]if checkedge(neighboraxis,w,h) < 0:continueif labelout[neighboraxis[0],neighboraxis[1]] >= 0:#周围有已经计算过的putquemask[neighboraxis[0],neighboraxis[1]] > 0#标记已经入队过了que.put(nowpixaxis)#入队break#开始遍历队列while(True):if que.empty():breaknowpixaxis = que.get()#蔓延过程#1 周围有1个label，加入其中#2 周围两个不同label，分水岭#3 周围无label，新水池#4 周围有同层，入队蔓延for nei in range(0,4):neighboraxis  = nowpixaxis + neighborbias4[nei]if checkedge(neighboraxis,w,h) < 0:continuelabelnow = labelout[nowpixaxis[0],nowpixaxis[1]]labelneighbor = int(labelout[neighboraxis[0],neighboraxis[1]])if labelnow == -2 and labelneighbor > 0:labelout[nowpixaxis[0],nowpixaxis[1]] = labelneighborlabelsize[labelneighbor] = labelsize[labelneighbor] + 1elif labelnow > 0 and labelneighbor > 0 and labelnow != labelneighbor:labelout[nowpixaxis[0],nowpixaxis[1]] = 0if labelneighbor == -2 and putquemask[neighboraxis[0],neighboraxis[1]] == 0:que.put(neighboraxis)putquemask[neighboraxis[0],neighboraxis[1]] = 1#标记这个像素已经入队了不要重复使用#找到了新的水坑（邻域没有水）for idx in range(cnt[nowgraylevel],cnt[nowgraylevel+1]+1):nowpixaxis = pixarray[idx,:].astype(np.int32)if(labelout[nowpixaxis[0],nowpixaxis[1]] == -2):#经过之前的赋值，仍然没有被标记的是新水池#print("new pool %d",)currenLabel = currenLabel + 1#配置序号labelout[nowpixaxis[0],nowpixaxis[1]] = currenLabelque.put(nowpixaxis)#将新坑底所有同灰度级像素都填上水while not que.empty():nowpixaxis = que.get()for nei in range(0,4):neighboraxis = nowpixaxis + neighborbias4[nei]#防越界if checkedge(neighboraxis,w,h) < 0:continueif  putquemask[neighboraxis[0],neighboraxis[1]] == 0 and labelout[neighboraxis[0],neighboraxis[1]] == -2:labelout[neighboraxis[0],neighboraxis[1]] = currenLabelque.put(neighboraxis)putquemask[neighboraxis[0],neighboraxis[1]] = 1labelsize[currenLabel] = labelsize[currenLabel] + 1return labelout    image = cv2.imread('F:/tf_learn--------/impo/coin3.png')  #F:/tf_learn--------/impixiv/1606.jpg #F:/tf_learn--------/impo
gray = cv2.cvtColor(image,cv2.COLOR_BGR2GRAY, cv2.CV_16S)size = gray.shape  # h w c#二值化
ret,gray = cv2.threshold(gray,40,255,cv2.THRESH_BINARY)
cv2.imshow("ret",gray)
cv2.waitKey(0)
#膨胀
kernel = np.ones((5,5),np.uint8)
gray = cv2.dilate(gray,kernel)#腐蚀
gray = cv2.erode(gray,kernel)#边缘检测
#edgeimage = np.uint8(np.abs(cv2.Sobel(gray,cv2.CV_16S, 1, 1, ksize=3)))#这个sobel不太方便
edgeimage = cv2.Canny(gray, 10, 100) cv2.imshow("gray",edgeimage)
cv2.waitKey(0)label = water(edgeimage,size)
label = cv2.resize(label,(size[1],size[0]))#标记
b=image[:,:,0]
g=image[:,:,1]
r=image[:,:,2]
r[label==0] = 255
g[label==2] = 255
b[label==3] = 255
b[label==4] = 125
g[label==4] = 125largeimage = cv2.resize(image,(size[1],size[0]),cv2.INTER_LINEAR)
cv2.imshow("lab",largeimage)
cv2.waitKey(0)

4 效果

分水岭算法的python实现及解析相关推荐

Python+Opencv分水岭算法
目录一.分水岭算法(Watershed)简介二.分水岭算法实现步骤三.阈值和轮廓检测硬币分割代码实现与分析四.分水岭硬币分割代码实现五.代码效果展示与分析参考资料注意事项一.分水岭算法 ...
python图像分割算法_Opencv(二)—图像分割之分水岭算法！
做图像处理时,我们可能会遇到一个问题:我们只需要图片的一部分区域,如何把图片中的某部分区域提取出来或者图像想要的区域用某种颜色(与其它区域颜色不一致)标记起来 ,以上描述的问题在像处理领域称为图 ...
【python】【openCV】分水岭算法
脑血管医学图像颅内分割尝试--分水岭算法 code 1.2 不分割颅内直接分割 code 2.0 实验版 code 3.0 批量处理版 code 3.1 加入孔洞填充总结本篇博客原目的同https ...
Python+OpenCV：基于分水岭算法的图像分割(Image Segmentation with Watershed Algorithm)
Python+OpenCV:基于分水岭算法的图像分割(Image Segmentation with Watershed Algorithm) ############################ ...
python数据结构与算法分析第2版_题库 | 百度数据结构 / 算法面试题型介绍及解析第 2 期...
题目1:分解成质因数 (如 435234=251*17*17*3*2) void prim(int m, int n){ if(m>n){ while(m%n != 0) n++; m /= n ...
python手撕分水岭算法
python手撕分水岭算法 1 分水岭算法实现主要思路就是: 利用一个优先队列与有序队列(有序队列其实可以不用).优先队列是按像素的灰度值排列的,灰度值低的先被淹. 通过统计像素的附近的点的标记种类 ...
OpenCV+python：分水岭算法
1,概念简介现实中我们可以或者说可以想象有山有湖的景象,那么那一定是水绕山,山围水的情形.当然在需要的时候,要人工构筑分水岭,以防集水盆之间的互相穿透.而区分高山(plateaus)与水的界线,以 ...
Python OpenCV分水岭算法分割和提取重叠或有衔接的图像中的对象
本文将介绍如何使用分水岭算法对触摸和重叠的图像中的对象进行分割和提取. 参考:https://www.pyimagesearch.com/2015/11/02/watershed-opencv/ 分水 ...
Python OpenCV学习笔记之：分水岭算法分割图像
为什么80%的码农都做不了架构师?>>> # -*- coding: utf-8 -*- """ 图像分水岭分割图像分水岭算法可以参考:http ...

分水岭算法的python实现及解析

1 算法简介

2 代码步骤说明

3 python实现

4 效果

分水岭算法的python实现及解析相关推荐

最新文章

热门文章