1 基于阈值
1.1 基本原理
灰度阈值化，是最简单也是速度最快的一种图像分割方法，广泛应用在硬件图像处理领域 (例如，基于 FPGA 的实时图像处理)。
假设输入图像为 f，输出图像为 g，则经过阈值化处理的公式如下：
$\quad g(i, j) = \begin{cases} 1 & \text{当 f(i, j) ≥ T 时} \\0 & \text{当 f(i, j) < T 时} \\ \end{cases} $
也即，遍历图像中的所有像素，当像素值 f (i, j) ≥ T 时，分割后的图像元素 g (i, j) 是物体像素，否则为背景像素。
如果各个物体之间彼此不接触，并且物体灰度和背景灰度之间差别比较明显时，灰度阈值化便是非常合适的分割方法。
1.2 cv::threshold 函数
OpenCV 中的阈值化函数为 threshold，其使用如下所示：
double cv::threshold (
InputArray src, // 输入图像 (单通道，8位或32位浮点型)
OutputArray dst, // 输出图像 (大小和类型，都同输入)
double thresh, // 阈值
double maxval, // 最大灰度值(使用 THRESH_BINARY 和 THRESH_BINARY_INV类型时)
int type // 阈值化类型(THRESH_BINARY, THRESH_BINARY_INV; THRESH_TRUNC; THRESH_TOZERO, THRESH_TOZERO_INV)
)
1) THRESH_BINARY
$\qquad dst(x, y) = \begin{cases} maxval & \text{if src(x, y) > thresh} \\0 & \text{otherwise} \\ \end{cases} $
2) THRESH_TRUNC
$\qquad dst(x, y) = \begin{cases} threshold & \text{if src(x, y) > thresh} \\src(x, y) & \text{otherwise} \\ \end{cases} $
3) THRESH_TOZERO
$\qquad dst(x, y) = \begin{cases} src(x, y) & \text{if src(x, y) > thresh} \\0 & \text{otherwise} \\ \end{cases} $
1.3 示例
下面是阈值化类型和阈值可选的代码示例，摘自 OpenCV 例程，略作修改
#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
using namespace cv;
int threshold_value = 0;
int threshold_type = 3;
int const max_value = 255;
int const max_type = 4;
int const max_BINARY_value = 255;
Mat src, src_gray, dst;
const char* window_name = "Threshold Demo";
const char* trackbar_type = "Type: \n 0: Binary \n 1: Binary Inverted \n 2: Truncate \n 3: To Zero \n 4: To Zero Inverted";
const char* trackbar_value = "Value";
void Threshold_Demo(int, void*);
int main( int, char** argv )
{
// 读图
src = imread("Musikhaus.jpg",IMREAD_COLOR);
if( src.empty() )
return -1;
// 转化为灰度图
cvtColor( src, src_gray, COLOR_BGR2GRAY );
// 显示窗口
namedWindow( window_name, WINDOW_AUTOSIZE );
// 滑动条 - 阈值化类型
createTrackbar( trackbar_type, window_name, &threshold_type,max_type,Threshold_Demo);
// 滑动条 - 阈值
createTrackbar( trackbar_value,window_name, &threshold_value,max_value,Threshold_Demo);
Threshold_Demo(0, 0);
waitKey(0);
}
void Threshold_Demo(int, void*)
{
/* 0: Binary
1: Binary Inverted
2: Threshold Truncated
3: Threshold to Zero
4: Threshold to Zero Inverted
*/
threshold(src_gray, dst, threshold_value, max_BINARY_value, threshold_type);
imshow(window_name, dst);
}
2 基于边缘
前一篇 <OpenCV 之 边缘检测> 中，介绍了三种常用的边缘检测算子： Sobel, Laplace 和 Canny 算子。
实际上，边缘检测的结果是一个个的点，并不能作为图像分割的结果，必须采用进一步的处理，将边缘点沿着图像的边界连接起来，形成边缘链。
2.1 轮廓函数
OpenCV 中，可在图像的边缘检测之后，依次使用 cv::findContours 和 cv::drawContours 函数，寻找到轮廓并将其画出
void cv::findContours (
InputOutputArray image, // 源图像
OutputArrayOfArrays contours, // 检测到的轮廓
OutputArray hierarchy, //
int mode, // 轮廓获取模式 (RETR_EXTERNAL, RETR_LIST, RETR_CCOMP,RETR_TREE, RETR_FLOODFILL)
int method, // 轮廓近似算法 (CHAIN_APPROX_NONE, CHAIN_APPROX_SIMPLE, CHAIN_APPROX_TC89_L1, CHAIN_APPROX_TC89_KCOS)
Point offset = Point() // 轮廓偏移量
)
cv::drawContours 函数各参数如下：
void cv::drawContours (
InputOutputArray image, // 目标图像
InputArrayOfArrays contours, // 所有的输入轮廓
int contourIdx, //
const Scalar & color, // 轮廓颜色
int thickness = 1, // 轮廓线厚度
int lineType = LINE_8, //
InputArray hierarchy = noArray(), //
int maxLevel = INT_MAX, //
Point offset = Point() //
)
2.2 例程
代码摘自 OpenCV 例程，略有修改
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"
using namespace cv;
using namespace std;
Mat src,src_gray;
int thresh = 100;
int max_thresh = 255;
RNG rng(12345);
void thresh_callback(int, void* );
int main( int, char** argv )
{
// 读图
src = imread("Pillnitz.jpg", IMREAD_COLOR);
if (src.empty())
return -1;
// 转化为灰度图
cvtColor(src, src_gray, COLOR_BGR2GRAY );
blur(src_gray, src_gray, Size(3,3) );
// 显示
namedWindow("Source", WINDOW_AUTOSIZE );
imshow( "Source", src );
// 滑动条
createTrackbar("Canny thresh:", "Source", &thresh, max_thresh, thresh_callback );
// 回调函数
thresh_callback( 0, 0 );
waitKey(0);
}
// 回调函数
void thresh_callback(int, void* )
{
Mat canny_output;
vector<vector<Point> > contours;
vector<Vec4i> hierarchy;
// canny 边缘检测
Canny(src_gray, canny_output, thresh, thresh*2, 3);
// 寻找轮廓
findContours( canny_output, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0) );
Mat drawing = Mat::zeros( canny_output.size(), CV_8UC3);
// 画出轮廓
for( size_t i = 0; i< contours.size(); i++ ) {
Scalar color = Scalar( rng.uniform(0, 255), rng.uniform(0,255), rng.uniform(0,255) );
drawContours( drawing, contours, (int)i, color, 2, 8, hierarchy, 0, Point() );
}
namedWindow( "Contours", WINDOW_AUTOSIZE );
imshow( "Contours", drawing );
}
以 Dresden 的 Schloss Pillnitz 为源图，输出如下：
参考资料：
OpenCV Tutorials, imgproc module, Basic Thresholding Operations
OpenCV Tutorials, imgproc module, Finding contours in your image
<图像处理、分析与机器视觉_第3版> 第 6 章
Topological structural analysis of digitized binary images by border following [J], Satoshi Suzuki, 1985