使用分水岭和GrabCut算法进行物体分割

用GrabCut算法进行图像分割

在OpenCV中，实现了grabcut分割算法，该算法可以方便的分割出前景图像，操作简单，而且分割的效果很好。算法的原理参见papaer：“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts

比如下面的一副图，我们只要选定一个四边形框，把框中的图像作为grabcut的一个输入参数，表示该框中的像素可能属于前景，但框外的部分一定属于背景。

GrabCut算法实现步骤为：

1.在图片中定义含有（一个或多个）物体的矩形

2.矩形外的区域被自动认为是背景

3.对于用户定义的矩形区域，可用背景中的数据来区别它里面的前景和背景区域

4.用高斯混合模型（GMM）来对背景和前景建模，并将未定义的像素标记为可能的前景或背景。

5.图像中的每一个像素都被看作通过虚拟边与周围像素相连接，而每条边都有一个属于前景或背景的概率，这基于它与周围像素颜色上的相似性。

6.每一个像素（即算法中的节点）会与一个前景或背景节点连接

7.在节点完成连接后（可能与背景或前景连接），若节点之间的边属于不同终端（即一个节点属于前景，另一个节点属于背景），则会切断它们之间的边（这就是算法名中的切割部分），这就能将图像各部分分割出来。

import numpy as np
import cv2
from matplotlib import pyplot as plt

img=cv2.imread(‘1.jpg‘)
mask=np.zeros(img.shape[:2],np.uint8)#创建一个掩模

#创建以0填充的前景和背景模型
bgdModel=np.zeros((1,65),np.float64)
fgdModel=np.zeros((1,65),np.float64)

rect=(100,160,400,670)#创建矩形
cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)#使用了指定的空模型和掩模来运行GrabCut，并且实际上是用一个矩形来初始化这个操作
#做完这些后，我们的掩模已经变成包含0~3之间的值。值为0和2的将转为0，值为1，3的将转为1.然后保存在mask2中。这样就可以用mask2过滤出所有的0值像素（理论上会完整保留所有前景像素）
mask2=np.where((mask==0)|(mask==2),0,1).astype(‘uint8‘)
img=img*mask2[:,:,np.newaxis]

plt.subplot(121),plt.imshow(img)
plt.title("grabcut"),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(cv2.cvtColor(cv2.imread("1.jpg"),cv2.COLOR_BGR2RGB))
plt.title("original"),plt.xticks([]),plt.yticks([])
plt.show()

使用分水岭算法进行图像分割

把图像中的低密度的区域（变化很少）想象成山谷，图像中高密度的区域（变化很多）想象成山峰。开始向山谷中注入水直到不同的山谷中的水开始汇聚。为了阻止不同山谷的水汇聚，可以设置一些栅栏，最后得到的栅栏就是图像分割。

import numpy as np
import cv2
from matplotlib import pyplot as plt
img=cv2.imread("1.jpg")
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#颜色转为灰度
ret,thresh=cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)#可为图像设一个阈值
kernel=np.ones((3,3),np.uint8)
opening=cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel,iterations=2)#去除噪声
sure_bg=cv2.dilate(opening,kernel,iterations=3)

dist_transform=cv2.distanceTransform(opening,cv2.DIST_L2,5)#可以通过distanceTransform来获取确定的前景区域。也就是说，这是图像中最可能是前景的区域，越是远离背景区域的边界点越可能属于前景，这里用了阈值来决定那些区域是前景
ret,sure_fg=cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0)
#这个阶段之后，所得到的前景和背景中有重合的部分该怎么办？首先需要确定这些区域，这可从sure_bg与sure_fg的集合相减得到
sure_fg=np.uint8(sure_fg)
unknown=cv2.subtract(sure_bg,sure_fg)
#现在有了这些区域，就可以设定栅栏来阻止水汇聚，这是通过connectedComponents函数完成。
ret,markers=cv2.connectedComponents(sure_fg)

markers=markers+1
markers[unknown==255]=0
#把栅栏绘制成红色
markers=cv2.watershed(img,markers)
img[markers==-1]=[255,0,0]
plt.imshow(img)
plt.show()

原文地址：https://www.cnblogs.com/yifdu25/p/8445471.html