目标

我们将学习如何使用基于标记的图像分割，使用分水岭算法
我们将学习：cv.watershed()

原理

任何灰度图像都可以被视为一个地形表面，其中高强度表示峰和山，而低强度表示谷。你开始用不同颜色的水（标签）填充每一个孤立的谷（局部最小值）。随着水位的上升，取决于附近的山峰（梯度），来自不同山谷的水，显然具有不同的颜色，将开始合并。为了避免这种情况，你会在水合并的位置建立屏障。你继续进行注水和建立屏障的工作，直到所有的山峰都被水淹没。然后，你创建的屏障会给你分割结果。这就是分水岭背后的“哲学”。你可以访问CMM 关于分水岭的网页，通过一些动画来理解它。

但是，由于图像中的噪声或任何其他不规则性，这种方法会给你过度分割的结果。因此，OpenCV 实现了一种基于标记的分水岭算法，你可以在其中指定哪些谷点要合并，哪些不要。这是一种交互式图像分割。我们所做的是为我们知道的物体赋予不同的标签。用一种颜色（或强度）标记我们确定是前景或物体的区域，用另一种颜色标记我们确定是背景或非物体的区域，最后，对于我们不确定的区域，用 0 标记它。这就是我们的标记。然后应用分水岭算法。然后我们的标记将被我们给定的标签更新，物体的边界值将为 -1。

代码

下面我们将看到一个例子，说明如何使用距离变换与分水岭来分割相互接触的物体。

考虑下面的硬币图像，硬币相互接触。即使你对其进行阈值处理，它们仍将相互接触。

我们首先找到硬币的近似估计。为此，我们可以使用 Otsu 的二值化。

尝试一下

现在我们需要去除图像中的任何小的白色噪声。为此，我们可以使用形态学开运算。为了去除物体中的任何小孔，我们可以使用形态学闭运算。所以，现在我们确信物体中心附近的区域是前景，而远离物体的区域是背景。我们不确定的唯一区域是硬币的边界区域。

因此，我们需要提取我们确定的区域是硬币。腐蚀会去除边界像素。因此，无论剩下什么，我们都可以确定它是硬币。如果物体没有相互接触，这将有效。但是由于它们相互接触，另一个好的选择是找到距离变换并应用适当的阈值。接下来，我们需要找到我们确定不是硬币的区域。为此，我们膨胀结果。膨胀会将物体边界增加到背景。这样，我们可以确保结果中背景中的任何区域都是真正的背景，因为边界区域已被删除。请参见下图。

尝试一下

剩余的区域是我们没有任何想法的区域，无论它是硬币还是背景。分水岭算法应该找到它。这些区域通常在硬币的边界附近，前景和背景相遇的地方（或者甚至是两个不同的硬币相遇的地方）。我们称之为边界。它可以从 sure_bg 区域中减去 sure_fg 区域获得。

我们使用函数：cv.distanceTransform (src, dst, distanceType, maskSize, labelType = cv.CV_32F)

参数

src	8 位，单通道（二进制）源图像。
dst	具有计算距离的输出图像。它是与 src 大小相同的 8 位或 32 位浮点，单通道图像。
distanceType	距离类型（参见cv.DistanceTypes）。
maskSize	距离变换掩码的大小，请参见（cv.DistanceTransformMasks）。
labelType	输出图像的类型。它可以是 cv.CV_8U 或 cv.CV_32F。类型 cv.CV_8U 只能用于函数的第一个变体，并且 distanceType == DIST_L1。

尝试一下

在阈值图像中，我们获得了一些我们确定是硬币的区域，并且它们现在已分离。（在某些情况下，你可能只对前景分割感兴趣，而不是分离相互接触的物体。在这种情况下，你不需要使用距离变换，只需腐蚀就足够了。腐蚀只是提取确定前景区域的另一种方法，仅此而已。）

尝试一下

现在我们确定了哪些是硬币区域，哪些是背景等等。所以我们创建标记（它是一个与原始图像大小相同的数组，但具有 int32 数据类型）并在其中标记区域。我们确定（无论是前景还是背景）的区域都标有任何正整数，但不同的整数，并且我们不确定的区域只是保留为零。为此，我们使用cv.connectedComponents()。它用 0 标记图像的背景，然后其他对象用从 1 开始的整数标记。

但是我们知道如果背景标记为 0，分水岭会将其视为未知区域。所以我们想用不同的整数标记它。相反，我们将用 0 标记由未知定义的未知区域。

现在我们的标记已准备就绪。是最后一步的时候了，应用分水岭。然后标记图像将被修改。边界区域将被标记为 -1。

我们使用函数：cv.connectedComponents (image, labels, connectivity = 8, ltype = cv.CV_32S)

参数

image	要标记的 8 位单通道图像。
labels	目标标记图像（cv.CV_32SC1 类型）。
connectivity	8 或 4 分别用于 8 向或 4 向连通性。
ltype	输出图像标签类型。目前支持 cv.CV_32S 和 cv.CV_16U。

我们使用函数：cv.watershed (image, markers)

参数

image	输入 8 位 3 通道图像。
markers	标记的输入/输出 32 位单通道图像（映射）。它应该与 image 的大小相同。