当前位置： 首页 > article >正文

OpenCV_距离变换的图像分割和Watershed算法详解

article 2024/11/14 9:46:12

在学习watershed算法的时候，书写代码总会出现一些错误：

上述代码运行报错，显示OpenCV(4.10.0) Error: Assertion failed (src.type() == CV_8UC3 && dst.type() == CV_32SC1) in cv::watershed

查找资料：目前已解决

这个错误明确指出是在  watershed  函数中输入的参数类型不匹配。根据错误信息，要求  src （即  image  ）的类型是  CV_8UC3  ， dst （即  markers  ）的类型是  CV_32SC1  。
 
您需要确保  image  是 8 位无符号的 3 通道彩色图像，并且  markers  是 32 位有符号的单通道矩阵。
 
请检查以下几点：
 
1.  image  的初始化和类型是否正确。
2.  markers  的创建和后续操作是否保持了  CV_32SC1  类型。
 
如果问题仍然存在，请提供更多关于  image  的初始化和加载的代码部分，以便更准确地帮助您找到问题所在。

分水岭算法

分水岭算法的基本原理为：将任意的灰度图像视为地形图表面，其中灰度值高的部分表示山峰和丘陵，而灰度值低的地方表示山谷。用不同颜色的水(标签)填充每个独立的山谷(局部最小值)；随着水平面的上升，来自不同山谷(具有不同颜色)的水将开始合并。为了避免出现这种情况，需要在水汇合的位置建造水坝；持续填充水和建造水坝，直到所有的山峰和丘陵都在水下。整个过程中建造的水坝将作为图像分割的依据。

使用分水岭算法执行图像分割操作时通常包含下列步骤：
(1) 加载源图像并检查是否加载没有任何问题，然后显示
(2) 将原图转换为灰度图像，然后显示
(3) 应用形态学变换中的开运算和膨胀操作，去除图像噪声，获取图像边缘信息，确定图像背景
(4) 显示矩阵marks（只为显示，可省略）
(5) 执行分水岭算法分割图像
(6) 对每一个区域进行颜色填充
(7) 跟原始图像融合
//生成随机颜色函数
Vec3b randomColor(int value);
Vec3b randomColor(int value) {
	value = value % 255;
	RNG rng;
	int aa = rng.uniform(0, value);
	int bb = rng.uniform(0, value);
	int cc = rng.uniform(0, value);
	return Vec3b(aa, bb, cc);
}
void QuickDemo::thirtyFive(Mat& image) {
	//灰度化，滤波，Canny边缘检测
	Mat gray;
	cvtColor(image, gray, COLOR_BGR2GRAY);
	GaussianBlur(gray, gray, Size(5, 5), 2);
	Canny(gray, gray, 80, 150);
	//imshow("gray", gray);
	//查找轮廓
	vector<vector<Point>>contours;
	vector<Vec4i>hierarchy;
	findContours(gray, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point());

	Mat contoursImage = Mat::zeros(image.size(), CV_8UC1);//轮廓	
	Mat marks(image.size(), CV_32S); //Opencv分水岭第二个矩阵参数
	marks = Scalar::all(0);
	//int index = 0;
	//int compCount = 0;
	for (size_t i = 0; i < contours.size(); i++)
	{
		//对marks进行标记，对不同区域的轮廓进行编号，相当于设置注水点，有多少轮廓，就有多少注水点
		drawContours(marks, contours, i, Scalar::all(i + 1), 1, 8, hierarchy);
		drawContours(contoursImage, contours, i, Scalar(255), 1, 8, hierarchy);
	}
	//我们来看一下传入的矩阵marks里是什么东西
	//Mat marksShows;
	//convertScaleAbs(marks,marksShows);
	//imshow("marksShows", marksShows);
	//imshow("contoursImage", contoursImage);
	watershed(image, marks);
	//我们再来看一下分水岭算法之后的矩阵marks里是什么东西
	Mat afterwatershed;
	convertScaleAbs(marks, afterwatershed);
	//imshow("afterwatershed", afterwatershed);
	//对每一个区域进行颜色填充
	Mat perspectiveImage = Mat::zeros(image.size(), CV_8UC3);
	for (size_t i = 0; i < marks.rows; i++)
	{
		for (size_t j = 0; j < marks.cols; j++)
		{
			int index = marks.at<int>(i, j);
			if (index == -1) {
				perspectiveImage.at<Vec3b>(i, j) = Vec3b(255, 255, 255);
			}
			else {
				perspectiveImage.at<Vec3b>(i, j) = randomColor(index);

			}
		}
	}
	imshow("perspectiveImage", perspectiveImage);
	//分割并填充颜色的结果跟原始图像融合
	Mat wshed;
	addWeighted(image, 0.4, perspectiveImage, 0.6, 0, wshed);
	imshow("wshed", wshed);


}

说明/结果

1.加载源图像并检查是否加载没有任何问题，然后显示：

2.将原图转换为灰度图像，然后显示：

Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);
imshow("gray", gray);

3.应用形态学变换中的开运算和膨胀操作，去除图像噪声，获取图像边缘信息，确定图像背景

GaussianBlur(gray, gray, Size(5, 5), 2);
Canny(gray, gray, 80, 150);
imshow("gray", gray);
	
//查找轮廓
vector<vector<Point>>contours;
vector<Vec4i>hierarchy;
findContours(gray, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point());
	
Mat contoursImage = Mat::zeros(image.size(), CV_8UC1);//轮廓	
Mat marks(image.size(), CV_32S); //Opencv分水岭第二个矩阵参数
marks = Scalar::all(0);
//int index = 0;
//int compCount = 0;
for (size_t i = 0; i < contours.size(); i++)
{
	//对marks进行标记，对不同区域的轮廓进行编号，相当于设置注水点，有多少轮廓，就有多少注水点
	drawContours(marks, contours, i, Scalar::all(i + 1), 1, 8, hierarchy);
	drawContours(contoursImage, contours, i, Scalar(255), 1, 8, hierarchy);
}
imshow("contoursImage", contoursImage);

4.显示矩阵marks（只为显示，可省略）

//我们来看一下传入的矩阵marks里是什么东西
Mat marksShows;
convertScaleAbs(marks,marksShows);
imshow("marksShows", marksShows);

5.执行分水岭算法分割图像

watershed(image, marks);
//我们再来看一下分水岭算法之后的矩阵marks里是什么东西
Mat afterwatershed;
convertScaleAbs(marks, afterwatershed);
imshow("afterwatershed", afterwatershed);

6.对每一个区域进行颜色填充

//生成随机颜色函数
Vec3b randomColor(int value);
Vec3b randomColor(int value) {
	value = value % 255;
	RNG rng;
	int aa = rng.uniform(0, value);
	int bb = rng.uniform(0, value);
	int cc = rng.uniform(0, value);
	return Vec3b(aa, bb, cc);
}
//对每一个区域进行颜色填充
Mat perspectiveImage = Mat::zeros(image.size(), CV_8UC3);
for (size_t i = 0; i < marks.rows; i++)
{
	for (size_t j = 0; j < marks.cols; j++)
	{
		int index = marks.at<int>(i, j);
		if (index == -1) {
			perspectiveImage.at<Vec3b>(i, j) = Vec3b(255, 255, 255);
		}
		else {
			perspectiveImage.at<Vec3b>(i, j) = randomColor(index);
		}
	}
}
imshow("perspectiveImage", perspectiveImage);

7.跟原始图像融合

Mat wshed;
addWeighted(image, 0.4, perspectiveImage, 0.6, 0, wshed);
imshow("wshed", wshed);

距离变换实现分水岭算法

实现步骤：
1.输入图像
2.灰度化
3.二值化
4.执行距离变换
5.归一化
6.二值化
7.生成marker：通过findContours+drawContours来创建一个marker
8.将7生成的marker放入分水岭函数：watershed
9.给marker着色
10.输出着色后的图像
此算法关键点在于生成marker。生成marker之后其实已经完成了算法，后面的着色只是为了让输出更加好看。

void QuickDemo::thirtyFour(Mat& image) {

	Mat gray;
	cvtColor(image, gray, COLOR_BGR2GRAY);

	Mat binary;
	threshold(gray, binary, 175, 255, THRESH_BINARY);
	//imshow("binary image ",bw);

	Mat dist;
	distanceTransform(binary, dist, DIST_L2, 3);
	normalize(dist, dist, 0, 1, NORM_MINMAX);

	threshold(dist, dist, 0.1, 1, THRESH_BINARY);
	normalize(dist, dist, 0, 255, NORM_MINMAX);
	dist.convertTo(dist, CV_8UC1);
	imshow("distanceTransform", dist);

	vector<vector<Point>>contours;
	findContours(dist, contours, RETR_CCOMP, CHAIN_APPROX_SIMPLE, Point());
	vector<Vec4i>hierarchy;
	Mat markers(dist.size(), CV_8U); //Opencv分水岭第二个矩阵参数
	markers = Scalar::all(0);
	for (size_t i = 0; i < contours.size(); i++)
	{
		drawContours(markers, contours, i, Scalar::all(i + 1), -1, 8, hierarchy, INT_MAX);
	}
	circle(markers, Point(3, 3), 3, Scalar(255), -1);
	//imshow("markers", markers*20);
	image.convertTo(image, CV_8UC3);
	markers.convertTo(markers, CV_32SC1);
	watershed(image, markers);
	markers.convertTo(markers, CV_8UC1);
	imshow("markers", markers*50);

	RNG rng(12345);
	vector<Vec3b>colors;
	for (size_t i = 0; i < contours.size(); i++)
	{
		int r = rng.uniform(0, 255);
		int g = rng.uniform(0, 255);
		int b = rng.uniform(0, 255);
		colors.push_back(Vec3b(r, g, b));
	}
	//给marker着色
	Mat finalResult = Mat::zeros(dist.size(), CV_8UC3);//三通道彩色图像
	int index = 0;
	for (int row = 0; row < markers.rows; row++) {
		for (int col = 0; col < markers.cols; col++) {
			index = markers.at<uchar>(row, col);
			if (index > 0 && index <= contours.size()) {
				finalResult.at<Vec3b>(row, col) = colors[index - 1];
			}
			else {
				finalResult.at<Vec3b>(row, col) = Vec3b(255, 255, 255);
			}
		}
	}
	imshow("finalResult", finalResult);

}

说明/结果

1. 输入图像并显示

2.获取灰度图像并显示

Mat gray;
cvtColor(image, gray, COLOR_BGR2GRAY);
imshow("gray image ", gray);

3.获取二值图像并显示

Mat binary;
threshold(gray, binary, 175, 255, THRESH_BINARY);
imshow("binary image ", binary);

4.执行距离变换归一化，并显示

Mat dist;
distanceTransform(binary, dist, DIST_L2, 3);
normalize(dist, dist, 0, 1, NORM_MINMAX);
imshow("dist image ", dist);

5.进行二值变换归一化，并显示

threshold(dist, dist, 0.1, 1, THRESH_BINARY);
normalize(dist, dist, 0, 255, NORM_MINMAX);
dist.convertTo(dist, CV_8UC1);
imshow("distanceTransform", dist);

6.生成marker：通过findContours+drawContours来创建一个marker

vector<vector<Point>>contours;
findContours(dist, contours, RETR_CCOMP, CHAIN_APPROX_SIMPLE, Point());
vector<Vec4i>hierarchy;
Mat markers(dist.size(), CV_8U); //Opencv分水岭第二个矩阵参数
markers = Scalar::all(0);
for (size_t i = 0; i < contours.size(); i++)
{
	drawContours(markers, contours, i, Scalar::all(i + 1), -1, 8, hierarchy, INT_MAX);
}
circle(markers, Point(3, 3), 3, Scalar(255), -1);
imshow("markers", markers*20);

7.将7生成的marker放入分水岭函数：watershed

image.convertTo(image, CV_8UC3);
markers.convertTo(markers, CV_32SC1);
watershed(image, markers);
markers.convertTo(markers, CV_8UC1);
imshow("markers", markers*50);

8.给marker着色，并输出着色后的图像

RNG rng(12345);
vector<Vec3b>colors;
for (size_t i = 0; i < contours.size(); i++)
{
	int r = rng.uniform(0, 255);
	int g = rng.uniform(0, 255);
	int b = rng.uniform(0, 255);
	colors.push_back(Vec3b(r, g, b));	
}
//给marker着色
Mat finalResult = Mat::zeros(dist.size(), CV_8UC3);//三通道彩色图像
int index = 0;
for (int row = 0; row < markers.rows; row++) {
	for (int col = 0; col < markers.cols; col++) {
		index = markers.at<uchar>(row, col);
		if (index > 0 && index <= contours.size()) {
			finalResult.at<Vec3b>(row, col) = colors[index - 1];
		}
		else {
			finalResult.at<Vec3b>(row, col) = Vec3b(255, 255, 255);
		}
	}
}
imshow("finalResult", finalResult);

9.跟原始图像融合

Mat wdst;
addWeighted(finalResult,0.6,image,0.4,0, wdst);
imshow("wdst", wdst);

threshold函数

threshold( 
    InputArray src, 
    OutputArray dst, 
    double thresh, 
    double maxval,
    type 
);
//参数1:输入的灰度图像
//参数2:输出图像
//参数3:进行阈值操作时阈值的大小
//参数4：设定的最大灰度值（该参数运用在二进制与反二进制阈值操作中）
//参数5：阈值的类型。从下面提到的5种中选择出的结果
THRESH_BINARY=0: 二进制阈值
THRESH_BINARY_INV=1: 反二进制阈值
THRESH_TRUNC=2: 截断阈值
THRESH_TOZERO=3: 0阈值
THRESH_TOZERO_INV=4: 反0阈值
THRESH_OTSU=8   自适应閾值

（1）正向二值化，THRESH_BINARY

正向二值化,如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为maxval；否则，将该点的像素值设置为0；

（2）反向二值化，THRESH_BINARY_INV

反向二值化，如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为0；否则，将该点的像素值设置为maxval

（3）THRESH_TRUNC

如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为threshold；否则，将该点的像素值不变

（4）THRESH_TOZERO

如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值不变；否则，将该点的像素值设置为0

THRESH_TOZERO_INV

如果当前的像素值大于设置的阈值(thresh)，则将该点的像素值设置为0；否则，将该点的像素值不变

adaptiveThreshold函数

void adaptiveThreshold(
	InputArray src,
    OutputArray dst,
    double maxValue,
    int adaptiveMethod,
    int thresholdType,
    int blockSize,
    double C
);
第一个参数，InputArray src，原图，即输入图像，是一个8位单通道的图像；
第二个参数，OutputArray dst，目标图像，与原图像具有同样的尺寸与类型；
第三个参数，double maxValue，分配给满足条件的像素的非零值；
第四个参数，int adaptiveMethod，自适应阈值的方法，通常有以下几种方法；
	ADAPTIVE_THRESH_MEAN_C，阈值T(x,y)是(x,y)减去C的Blocksize×Blocksize
邻域的平均值。
	ADAPTIVE_THRESH_GAUSSIAN_C ，阈值T(x，y)是(x，y)减去C的Blocksize×Blocksize
邻域的加权和(与高斯相关)，默认sigma(标准差)用于指定的Blocksize；具体的情况可以参见getGaussianKernel函数；
第五个参数，int thresholdType，阈值的类型必须是以下两种类型，
	THRESH_BINARY，正向二值化
	THRESH_BINARY_INV ，反向二值化
第六个参数，int blockSize，计算blocksize x blocksize大小的领域内的阈值，必须为奇数，
例如，3，5，7等等，一般二值化使用21,31,41；
第七个参数，double C，从平均数或加权平均数减去常量。通常，它是正的，但也可能是零或负数。
二值化时使用的7。
补充
函数cvAdaptiveThreshold的确可以将灰度图像二值化，但它的主要功能应该是边缘提取，
关键是里面的block_size参数，该参数是决定局部阈值的block的大小
1）当block很小时，如block_size=3 or 5 or 7时，“自适应”的程度很高，
即容易出现block里面的像素值都差不多，这样便无法二值化，而只能在边缘等梯度大的地方实现二值化
，结果显得它是边缘提取函数；
2）当把block_size设为比较大的值时，如block_size=21 or 31 or 41时，cvAdaptiveThreshold便是
二值化函数了；
3）src与dst 这两个都要是单通道的图像。

findContours函数

void findContours (
    InputOutputArray      image,       // 输入图像
    OutputArrayOfArrays   contours,    // 检测到的轮廓
    OutputArray           hierarchy,   // 可选的输出向量
    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
)

hierarchy 为可选的参数，如果不选择该参数，则可得到 findContours 函数的第二种形式
void findContours (
　　InputOutputArray 　　image,
　　OutputArrayOfArrays contours,
　　int 　　　mode,
　　int　　　 method,
　　Point 　 offset = Point()
)

drawContours() 函数如下： 
void 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()       //    
)

 watershed函数

watershed(src,markers);
src：原图像
markers：目标markers，生成markers是通过findContours边沿查找+drawContours来实现的。
ps：这一步非常重要，有了marker就可以使用分水岭算法了。

distanceTransform函数 

distanceTransform()距离变换的定义是计算一个图像中非零像素点到最近的零像素点的
距离，也就是到零像素点的最短距离。即距离变换的定义是计算一个图像中非零像素点到
最近的零像素点的距离，也就是到零像素点的最短距离。
通常处理的是一个二值化的图，所以求距离可以归一化，距离(像素距离)单位为1。
void distanceTransform(
    InputArray src, 
    OutputArray dst, 
    int distanceType, 
    int maskSize, 
    int dstType=CV_32F )
void distanceTransform(
    InputArray src, 
    OutputArray dst, 
    OutputArray labels, 
    int distanceType, 
    int maskSize, 
    int labelType=DIST_LABEL_CCOMP )
src：源矩阵
dst：目标矩阵
distanceType：距离类型。可以的类型是CV_DIST_L1、CV_DIST_L2、CV_DIST_C，具体各
类型的意义，请查阅相关算法文档。
maskSize:距离变换运算时的掩码大小。值可以是3、5或CV_DIST_MASK_PRECISE
（5或CV_DIST_MASK_PRECISE只能用在第一个原型中）。
当distanceType=CV_DIST_L1 或 CV_DIST_C时，maskSize只能为3。
dstType：输出图像(矩阵)的类型，可以是CV_8U 或 CV_32F。CV_8U只能用在第一个原型中，
而且distanceType只能为CV_DIST_L1。
labels:输出二维阵列标签。
labelType：标签数组类型。可选值为DIST_LABEL_CCOMP和DIST_LABEL_PIXEL

原图片


http://www.kler.cn/a/313096.html

相关文章：

  • 「Py」Python基础篇 之 Python都可以做哪些自动化？
  • 【初阶数据结构与算法】链表刷题之移除链表元素、反转链表、找中间节点、合并有序链表、链表的回文结构
  • 基于非时空的离身与反身智能
  • 1小时构建Vue3知识体系之vue的生命周期函数
  • 大数据技术之HBase中的HRegion
  • 若依笔记（八）：Docker容器化并部署到公网
  • openCV3.0 C++ 学习笔记补充(自用 代码+注释)---持续更新 三(61-)
  • Hexo博客私有部署Twikoo评论系统并迁移评论记录(自定义邮件回复模板)
  • Pandas中df常用方法介绍
  • MATLAB画图，曲线图如何绘制美观，曲线图10种美化方法
  • Python 异常控制详解：try-except 的应用与多种异常处理策略
  • QEMU 运行Win11 成功的例子
  • OpenCVHaar级联器实现人脸捕捉和微笑检测
  • 煤矿智慧矿井数据集 （1.煤矿采掘工作面智能分析数据集2.煤矿井下钻场智能分析数据集 ）
  • en造数据结构与算法C# 群组行为优化 和 头鸟控制
  • Flink 中 Checkpoint 的底层原理和机制
  • Java客户端SpringDataRedis(RedisTemplate使用)
  • Neko一个在Docker环境下的虚拟浏览器
  • 大数据-142 - ClickHouse 集群 副本和分片 Distributed 附带案例演示
  • Day69补 前后端分离思想
  • JAVA毕业设计176—基于Java+Springboot+vue3的交通旅游订票管理系统(源代码+数据库)
  • 【HTML5】html5开篇基础（1）
  • 【学习笔记】数据结构（六 ①）
  • 通过markdown表格批量生成格式化的word教学单元设计表格
  • 基于深度学习的花卉智能分类识别系统
  • 【win工具】win安装flameshot并设置截图快捷键