计算机视觉全系列实战教程 (十二)：图像分割（阈值分割threshold、分水岭算法watershed的使用步骤、洪水填充floodFill算法的使用）

1.图像分割概述

(1)What(什么是图像分割)

将图像划分为不同的子区域，使得同一子区域具有较高的相似性，不同的子区域具有明显的差异性

(2)Why(对图像进行分割有什么作用)

• 医学领域：将不同组织分割成不同区域帮助分析病情
• 军事领域：通过对图像的分割，为自动目标识别提供参数，为飞行器或武器的精准导航提供依据
• 遥感领域：通过遥感图像分析城市地貌、作物生长情况。此外，云系分析和天气预报都离不开图像分割
• 交通领域：车辆跟踪和车牌识别
• 工业领域：零部件分类、质量评估等

(3)Which(有哪些图像分割的方法)

• 基于阈值的分割方法：利用灰度直方图得到分割的阈值，利用这些阈值将图像分为几个部分，核心思想是认为同一部分的像素是同一个物体。
• 基于边缘的分割方法：检测图像的边界以实现对图像的分割
• 基于区域的分割方法：核心思想是将有相似特性的像素集合起来构成区域，将差异性较大的区域进行分裂
• 基于神经网络的分割方法：这里不多赘言，现在很火…
• 基于聚类的分割方法：依据像素相似度，使用聚类算法将像素划分为不同类别

2.基于阈值的分割

(1)固定阈值分割

将图像分为两个部分：黑和白两个区域

/*@author @还下着雨ZG
* @brief 固定阈值图像分割
* @param[in] imSrc, 待分割的图像
* @param[out] imSegment, 分割后的图像
* @param[in] threVal, 输入的阈值
* @return, 返回正整数表示图像分割成功，负整数表示失败
**/
int ImgSegmentByGlbThreVal(const cv::Mat& imSrc, cv::Mat& imSegment, int threVal)
{
	if(imSrc.empty()) return -1;
	if(threVal<0 || threVal>255) return -2;
	// 图像预处理
	cv::Mat imGray;
	if(imSrc.channels()==1) imGray = imSrc.clone();
	else if(imSrc.channels() == 3)
	{
		cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
	}
	else
	{
		return -3;
	}
	cv::GaussianBlur(imGray, imGray, cv::Size(3,3), 0);
	//全局阈值法
	cv::threshold(imGray, imSegment, threVal);
	return 1;
}

阈值分割函数threshold的介绍：

double cv::threshold(
	cv::Mat &imSrc, //输入图像，应该为单通道
	cv::Mat &imDst, //分割后的图像，大小和类型和imSrc相同
	double thresh, //表示阈值
	double maxval, //最大灰度值，一般设为255
	int type //阈值化类型，详细介绍如下所示
	};

参数type的介绍：type是一个枚举类型的数据

THRESH_BINARY = 0, // ( x > thresh ) ? 255 : 0
THRESH_BINARY_INV = 1, // ( x > thresh ) ? 0 : 255
THRESH_TRUNC = 2, // ( x > thresh ) ? thresh : x
THRESH_TOZERO = 3, // ( x < thresh ) ? 0 : x
THRESH_TOZERO = 4, // ( x < thresh ) ? x : 0
THRESH_MASK = 7,
THRESH_OTSU = 8, // 自动处理，图像自适应二值化，常用区间【0-255】

(2)自适应阈值分割

根据图像不同区域的亮度分布计算局部阈值，对于图像的不同区域能够自适应计算不同阈值

void cv::adaptiveThreshold(
	cv::Mat &imSrc, //输入的源图像
	cv::Mat &imDst, //输出图像
	double maxval, //预设满足条件的最大值
	int adaptMethod, //指定自适应阈值算法类型（ADAPTIVE_MEAN_C或ADAPTIVE_THRESH_GAUSSIAN_C两种）
	int threshType, //阈值类型（THRESH_BINARY或THRESH_BINARY_INV）
	int blockSize,  //领域块的大小，用于计算区域阈值（3，5，7 ...）
	double C, //与算法有关的参数，是一个从均值或加权均值提取的常数，可为负
	);

使用adaptiveThresh：

/*@author @还下着雨ZG
* @brief 自适应阈值图像分割
* @param[in] imSrc, 待分割的图像
* @param[out] imSegment, 分割后的图像
* @return, 返回正整数表示图像分割成功，负整数表示失败
**/
int ImgSegmentByAdpThre(const cv::Mat& imSrc, cv::Mat& imSegment)
{
    if (imSrc.empty()) return -1;
    cv::Mat imGray;
    if (imSrc.channels() == 1)
    {
        cv::copyTo(imSrc, imGray, cv::Mat());
    }
    else if (imSrc.channels() == 3)
    {
        cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
    }
    else
    {
        return -2;
    }
    cv::GaussianBlur(imGray, imGray, cv::Size(3, 3), 0);
    int blockSize = 3;
    int constValue = 0;
    cv::adaptiveThreshold(imGray, imSegment, 255, cv::ADAPTIVE_THRESH_MEAN_C, cv::THRESH_BINARY, blockSize,
        constValue);
    return 1;
}

在实际使用时，大部分是先通过算子寻找边缘，然后和区域生长融合来分割图像

3.基于区域的分割

有相似特性的像素集合起来构成区域，将差异性较大的区域进行分裂

(1)分水岭算法

A.What（分水岭算法的概念）
将图像看作是测地学上的拓扑地貌，每一个像素的灰度值表示该点的海拔高度，每一个局部极小值及其影响区域被称为盆地，对应得边界形成分水岭。
每一个局部极小值表面，刺穿一个小孔，然后从小孔浸水，随着浸入的加深，每一个局部极小值的影响域慢慢向外扩展，两个盆地间形成分水岭。
opencv提供的分水岭算法原型如下：

void cv::watershed(
	cv::Mat &imBGR, //三通道8bit的彩色图像

);

B.How（如何使用分水岭算法对图像进行分割）

• step01: 图像预处理（灰度化、滤波去噪等）
• step02: Canny边缘检测
• step03: 查找轮廓（findContours函数查找轮廓），并把轮廓信息按照不同编号绘制到watershed的第二次参数markers上，相当于标记注水点
• step04: watershed分水岭算法调用
• step05: 绘制分割出来的区域

/*@author @还下着雨ZG
* @param[in] imSrc, 输入的源图像
* @param[in] imMarks, 输出图像，分割之后的结果
* @return, 正整数表示成功，负整数表示失败
*/
int ImgDvdWatershed(const cv::Mat& imSrc, cv::Mat& imMarks)
{
	//step01 图像预处理：灰度+滤波
	cv::Mat imGray;
	  cv::Mat imGray;
	if (imSrc.channels() == 1)
	{
	    cv::copyTo(imSrc, imGray, cv::Mat());
	}
	else if (imSrc.channels() == 3)
	{
	    cv::cvtColor(imSrc, imGray, cv::COLOR_RGB2GRAY);
	}
	else {
	    return -1;
	}
	cv::GaussianBlur(imGray, imGray, cv::Size(3, 3), 2); //高斯滤波
	
    //Step02 Canny边缘检测
    cv::Mat imEdg(imGray.size(), CV_8UC1);
    cv::Canny(imGray, imEdg, 40, 110);
       //Step03 查找轮廓并绘制轮廓
   std::vector<std::vector<cv::Point>> vCnts;
   std::vector<cv::Vec4i> hierarchy;
   cv::findContours(imEdg, vCnts, hierarchy, cv::RETR_TREE, cv::CHAIN_APPROX_SIMPLE);
   cv::Mat imContours;
   if (!imMarks.empty())
   {
       imMarks.release();
   }
      imMarks = cv::Mat(imGray.size(), CV_32S, cv::Scalar::all(0));
   int iIdx = 0;
   int compCount = 0;
   for (; iIdx >= 0; iIdx = hierarchy[iIdx][0], compCount++)
   {
       cv::drawContours(imMarks, vCnts, iIdx, cv::Scalar::all(compCount + 1), 1, 8, hierarchy);
       cv::drawContours(imContours, vCnts, iIdx, cv::Scalar(255), 1, 8, hierarchy);
   }
   cv::Mat imRGB;
   if (imSrc.channels() == 1)
   {
       cv::cvtColor(imSrc, imRGB, cv::COLOR_GRAY2RGB);
   }
   else if (imSrc.channels() == 3)
   {
       imRGB = imSrc.clone();
   }
	//Step04 调用分水岭算法
    cv::watershed(imRGB, imMarks);//marks既是输入参数又是输出参数
	imRGB.release();
	return 1;
}

说明：该函数输出参数imMarks图像，同一区域用相同的数值标识，分水岭用-1标识

(2)洪水填充法分割图像

该算法通常对边缘图像进行操作，可用于分割出比较完整的外轮廓

int cv::floodFill(
	cv::Mat &imSrc, //输入图像
	cv::Point seedPt, //填充的起始点
	cv::Scalar newVal, //填充的像素值
 	cv::Rect *rect=0, //将要重绘区域的最小边界矩形区域
	cv::Scalar loDiff = cv::Scalar(), //像素值负差的最大值
	cv::Scalar upDiff = cv::Scalar(), //像素值正差的最大值
	int flags = 4 //操作标识符
	);