OpenCV2 使用分水岭算法对图像分割的个人理解 cv::watershed()

本文是基于《opecv2 计算机视觉编程手册》中的案例对分水岭算法进行解读。

先介绍一下分水岭分割方法。它是一种基于拓扑理论的数学形态学的分割方法，其基本思想是把图像看作是测地学上的拓扑地貌，图像中每一点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称为集水盆，而集水盆的边界则形成分水岭。分水岭的概念和形成可以通过模拟浸入过程来说明。在每一个局部极小值表面，刺穿一个小孔，然后把整个模型慢慢浸入水中，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，在两个集水盆汇合处构筑大坝，即形成分水岭。

一般的分水岭算法会对微弱边缘，图像中的噪声，物体表面细微的灰度变化造成过度的分割。opencv中的分水岭算法对此进行了改进，它使用预定义的一组标记来引导对图像的分割。理解这一节，关键是理解这个标记。书上这一节的内容对这个标记讲得很模糊，网上也搜了很多cv::watershed()，大部分内容是opencv1.0案例使用鼠标响应事件的，有个别是opencv2.0的案例，但都只是复制代码，并未做一些解读。这里我谈谈自己的一些看法，希望对大家有所帮助，如有理解不正确的地方还请高手多多指教。
watershedSegmenter.h

#if !defined WATERSHS
#define WATERSHS

#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>

class WatershedSegmenter {

private:
//用来表示标记（图）
      cv::Mat markers;

public:
//设置标记图
void setMarkers(const cv::Mat& markerImage) {

//watershed()的输入参数必须为一个32位有符号的标记，所以要先进行转换 
        markerImage.convertTo(markers,CV_32S);
      }
//执行watershed（）
      cv::Mat process(const cv::Mat &image) {

// Apply watershed
        cv::watershed(image,markers);

return markers;
      }

// 以图像形式返回结果
      cv::Mat getSegmentation() {

        cv::Mat tmp;
// 从32S到8U（0-255）会进行饱和运算，所以像素高于255的一律复制为255
        markers.convertTo(tmp,CV_8U);//

return tmp;
      }

// 以图像形式返回分水岭（我理解的是分割线）
      cv::Mat getWatersheds() {

        cv::Mat tmp;
//在设置标记图像，即执行setMarkers（）后，边缘的像素会被赋值为-1，其他的用正整数表示
//下面的这个转换可以让边缘像素变为-1*255+255=0，即黑色，其余的溢出，赋值为255，即白色。
        markers.convertTo(tmp,CV_8U,255,255);
return tmp;
      }
};


#endif

segment.cpp

#include <iostream>
#include <opencv2/core/core.hpp>
#include <opencv2/imgproc/imgproc.hpp>
#include <opencv2/highgui/highgui.hpp>
#include "watershedSegmentation.h"
int main()
{
// Read input image 原图
    cv::Mat image= cv::imread("../group.jpg");
if (!image.data)
return 0; 

// Display the image
    cv::namedWindow("Original Image");
    cv::imshow("Original Image",image);

group.jpg

// 二值图 这里进行了像素反转，因为一般我们用255白色表示前景（物体），用0黑色表示背景
    cv::Mat binary;
    binary= cv::imread("../binary.bmp",0);

// Display the binary image
    cv::namedWindow("Binary Image");
    cv::imshow("Binary Image",binary);

binary.bmp

// 由二值图像获得前景。腐蚀。移除噪点与微小物体
    cv::Mat fg;
    cv::erode(binary,fg,cv::Mat(),cv::Point(-1,-1),6);

// Display the foreground image
    cv::namedWindow("Foreground Image");
    cv::imshow("Foreground Image",fg);

fg前景

    //膨胀二值图来获取背景（只有草地，没有树林）
    cv::Mat bg;
    cv::dilate(binary,bg,cv::Mat(),cv::Point(-1,-1),6);
    cv::threshold(bg,bg,1,128,cv::THRESH_BINARY_INV);
//最后一个参数的表示 ifsrc>1,dst=0,else dst=128。这样就使背景全为灰色（128）
// Display the background image
    cv::namedWindow("Background Image");
    cv::imshow("Background Image",bg);

bg背景

    // Show markers image
    cv::Mat markers(binary.size(),CV_8U,cv::Scalar(0));
    markers= fg+bg;//使用重载操作符+
    cv::namedWindow("Markers");
    cv::imshow("Markers",markers);

markers标记图像 （最初的markers） 我觉得难点就是对这个标记图像的理解。下面谈谈我的个人看法。这个图像中，随便找一头牛。前景（物体：牛）是白色255，中间是黑色0，再然后才是背景灰128。可以把这3数看成海拔图，两个山岭相连，小的山岭128m，低处山谷0m，高的山岭255m。然后分水岭算法开始扩大白色255区域，往（黑色）注水，一直注到灰色的齐平，注水到黑色与白色部分全是白色。

设置markers，执行，显示结果

    // Create watershed segmentation object
    WatershedSegmenter segmenter;

    // Set markers and process
    segmenter.setMarkers(markers);
    segmenter.process(image);

    // Display segmentation result
    cv::namedWindow("Segmentation");
    cv::imshow("Segmentation",segmenter.getSegmentation());

注水后就成下图，上面的只是我的理解，可能不太正确，但我觉得这样便于理解怎么从上图白色那么一点变成下图。
结果图

// Display watersheds
    cv::namedWindow("Watersheds");
    cv::imshow("Watersheds",segmenter.getWatersheds());

分水岭（分割线）

（完）
还请大家批评指教~