OpenCV 之 图像分割 (一)

1  基于阈值

    灰度阈值法，是最简单、速度最快的图像分割方法，广泛用于实时图像处理领域 ，尤其是嵌入式系统中

    设输入图像 $f$，输出图像 $g$，则阈值化公式为  $\begin{equation} g(i, j) = \begin{cases}1, &\text{f(i, j) ≥ T} \\ 0, &\text{f(i, j) < T} \end{cases} \end{equation}$

    通俗说，就是遍历图像中的像素，当像素值 $f (i, j) ≥ T$ 时，标记 $g (i, j)$ 为物体像素，否则为背景像素

    当各物体不接触，且在图像中 物体和背景的灰度值差别比较明显 时，阈值法是非常合适的分割方法    

      

1.1  固定阈值

    固定阈值化函数为 threshold()，如下：

?

1 2 3 4 5 6 7

double 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，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) )

   不同的阈值化类型对应的公式，如下：

  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 

 $\qquad dst(x, y) = \begin{cases} src(x, y) & \text{if src(x, y) > thresh} \\0 & \text{otherwise} \\ \end{cases}$

1.2  自适应阈值

    整幅图像使用同一个阈值做二值化，对于一些情况并不适用，尤其是当图像中的不同区域，照明条件各不相同时。此时，需要自适应阈值算法

    该算法可根据像素所在的区域，确定一个适合的阈值，对于一幅图中光照不同的区域，可取各自不同的阈值做二值化

    目前有 MEAN_C 和 GAUSSIAN_C 两种算法，OpenCV 中的自适应阈值化函数为 adaptiveThreshold()，如下：

?

1 2 3 4 5 6 7 8 9

void  adaptiveThreshold (     InputArray          src,   //     OutputArray         dst,   //     double         maxValue,   //     int      adaptiveMethod,   // 自适应阈值算法     int       thresholdType,   // 阈值化类型，同 threshold() 中的 type     int           blockSize,   // 邻域大小     double                C    // )

 1.3  示例

    全局阈值和自适应阈值的比较，代码如下：

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19

#include "opencv2/imgproc.hpp" #include "opencv2/highgui.hpp"   using namespace cv;   int main() {     // read an image     Mat img = imread("sudoku.png", IMREAD_GRAYSCALE);       // adaptive     Mat dst1, dst2, dst3;     threshold(img, dst1, 100, 255, THRESH_BINARY);     adaptiveThreshold(img, dst2, 255, ADAPTIVE_THRESH_MEAN_C, THRESH_BINARY, 11, 2);     adaptiveThreshold(img, dst3, 255, ADAPTIVE_THRESH_GAUSSIAN_C, THRESH_BINARY, 11, 2);       // ... ...     waitKey(); }

　对比结果如下：

     

 

2  基于边缘

  OpenCV 之 边缘检测 中，介绍了三种边缘检测算子： Sobel，Laplace 和 Canny 算子

  但边缘检测的结果是离散的点，不能作为图像分割的结果，必须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，使用 findContours() 寻找到轮廓，该函数参数如下：

  image 一般为二值化图像，可由 compare, inRange, threshold , adaptiveThreshold, Canny 等函数获得 

?

1 2 3 4 5 6 7 8

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

?

1 2 3 4 5 6 7

void findContours ( 　　InputOutputArray 　　image, 　　OutputArrayOfArrays contours, 　　int 　　　mode, 　　int　　　 method, 　　Point 　 offset = Point() )

  drawContours() 函数如下： 

?

1 2 3 4 5 6 7 8 9 10 11

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()     //     )

2.2  例程

  代码摘自 OpenCV 例程，略有修改

?

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57

#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(); }   // 回调函数 void thresh_callback(int, void* ) {   Mat canny_output;   vector<vector<Point> > contours;   vector<Vec4i> hierarchy;       // 边缘检测 + 轮廓   Canny(src_gray, canny_output, thresh, thresh*2, 3);   findContours( canny_output, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(0, 0) );<br>   // 画轮廓   Mat drawing = Mat::zeros( canny_output.size(), CV_8UC3);   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

  OpenCV-Python Tutorials / Image Processing in OpenCV / Image Thresholding

  《Image Processing, Analysis, and Machine Vision》4th，ch6

  Topological structural analysis of digitized binary images by border following [J], Satoshi Suzuki, 1985

 

更新记录

   2020年4月26日，增加 “1.3  自适应阈值化” 和 “1.4 示例 - 自适应阈值代码”