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255int 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);

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mzph.cn/news/863061.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

微信商家转账到零钱

微信商家转账到零钱

1.发起商家转账 发起商家转账接口。商户可以通过该接口同时向多个用户微信零钱进行转账操作。请求消息中应包含商家批次单号、转账名称、appid、转账总金额、转账总笔数、转账openid、收款用户姓名等信息。注意受理成功将返回批次单号&#xff0c;此时并不代表转账成功&#x…
阅读更多...
JVM性能监控工具：JMX与VisualVM高级用法

JVM性能监控工具：JMX与VisualVM高级用法

在Java应用的开发和维护过程中&#xff0c;性能监控是一个不可或缺的环节。Java Management Extensions&#xff08;JMX&#xff09;和VisualVM是两个强大的工具&#xff0c;它们可以帮助开发者监控和管理Java应用程序的性能。本文将详细介绍如何使用JMX和VisualVM进行高级性能…
阅读更多...
第二十站：Java未来光谱——量子计算与新兴技术的展望（第二篇）

第二十站：Java未来光谱——量子计算与新兴技术的展望（第二篇）

在探讨Java与量子计算的未来融合时&#xff0c;我们首先要理解量子计算的基本概念及其与传统计算的区别。量子计算利用量子力学原理&#xff0c;如量子比特&#xff08;qubit&#xff09;的叠加态和纠缠效应&#xff0c;能在理论上实现远超经典计算机的计算速度&#xff0c;尤其…
阅读更多...
缓存、数据库、搜索引擎、消息队列

缓存、数据库、搜索引擎、消息队列

缓存、数据库、搜索引擎、消息队列这四者都是应用依赖的后端基础服务&#xff0c;他们的性能直接影响到了应用的整体性能&#xff0c;有时候你代码写的再好也许就是因为这些服务导致应用性能无法提升上去。 缓存: 缓存通常被用来解决热点数据的访问问题&#xff0c;是提高数据查…
阅读更多...
筑算网基石 创数智未来｜锐捷网络闪耀2024 MWC上海

筑算网基石 创数智未来｜锐捷网络闪耀2024 MWC上海

2024年6月26日至28日&#xff0c;全球科技界瞩目的GSMA世界移动大会&#xff08;MWC 上海&#xff09;在上海新国际博览中心&#xff08;SNIEC&#xff09;盛大召开。作为行业领先的网络解决方案提供商&#xff0c;锐捷网络以“筑算网基石 创数智未来”为主题&#xff0c;带来了…
阅读更多...
Java程序员学习Go开发Higress的WASM插件

Java程序员学习Go开发Higress的WASM插件

Java程序员学习Go开发Higress的WASM插件 契机 ⚙ 今年天池大赛有higress相关挑战&#xff0c;研究一下。之前没搞过go&#xff0c;踩了很多坑&#xff0c;最主要的就是tinygo打包&#xff0c;多方寻求解决无果&#xff0c;结论是tinygo0.32go1.19无法在macos arm架构下打包。…
阅读更多...
SerDes介绍以及原语使用介绍（3）ISERDESE2原语介绍

SerDes介绍以及原语使用介绍（3）ISERDESE2原语介绍

文章目录 前言一、ISERDESE21.1、ISERDESE2端口信号1.1、ISERDESE2参数 二、BITSLIP-位滑动2.1、BITSLIP作用2.2、BITSLIP使用2.3、BITSLIP示例 前言 上文对OSERDESE进行了详细介绍并且进行了仿真分析&#xff0c;本文开始对ISERDES进行介绍&#xff0c; 一、ISERDESE2 不难…
阅读更多...
云计算【第一阶段（20）】磁盘管理与文件系统 服务器硬件及RAID配置实战（三）

云计算【第一阶段（20）】磁盘管理与文件系统 服务器硬件及RAID配置实战（三）

一、服务器硬件详解 cpu 主板 内存 硬盘 网卡 电源 raid卡 风扇 远程管理卡 1.1、硬盘尺寸 目前生产环境中主流的两种类型硬盘 3.5寸 和2.5寸硬盘 2.5寸硬盘可以通过使用硬盘托架后适用于3.5寸硬盘的服务器 但是3.5寸没法转换成2.5寸 二、RAID阵列详解 独立硬盘冗余阵…
阅读更多...
SQL游标的基本使用方法与示例

SQL游标的基本使用方法与示例

SQL游标的基本使用方法与示例 大家好&#xff0c;我是免费搭建查券返利机器人省钱赚佣金就用微赚淘客系统3.0的小编&#xff0c;也是冬天不穿秋裤&#xff0c;天冷也要风度的程序猿&#xff01;今天我们来探讨SQL游标的基本使用方法及示例。在数据库编程中&#xff0c;游标是一…
阅读更多...
高考后的抉择：是选择心仪的专业还是名校？

高考后的抉择：是选择心仪的专业还是名校？

目录 一、选择专业的利与弊 1. 专业的深度培养 2. 兴趣的持续激发 3. 职业发展的方向 缺点&#xff1a; 二、选择学校的利与弊 1. 学术氛围的熏陶 2. 人脉资源的积累 3. 视野的拓展 缺点&#xff1a; 三、综合考量&#xff1a;专业优先还是学校优先&#xff1f; 1. …
阅读更多...
【深度学习】图形模型基础(2)：概率机器学习模型与人工智能

【深度学习】图形模型基础(2)：概率机器学习模型与人工智能

1.引言 1.1.背景 当机器需要从经验中汲取知识时&#xff0c;概率建模成为了一个至关重要的工具。它不仅为理解学习机制提供了理论框架&#xff0c;而且在实际应用中&#xff0c;特别是在设计能够从数据中学习的机器时&#xff0c;概率建模展现出了其独特的价值。概率框架的核…
阅读更多...
不知道自己的优势擅长和兴趣爱好，我该如何填报高考志愿选专业？

不知道自己的优势擅长和兴趣爱好，我该如何填报高考志愿选专业？

天生我才必有用&#xff0c;每个人都是独立的个体&#xff0c;拥有自己的优势和擅长&#xff0c;当然这个优势和擅长&#xff0c;不是和别人对比&#xff0c;而是和自己对比产生的。 如果说你不知道自己的优势擅长&#xff0c;不知道自己的兴趣和爱好&#xff0c;那只不过是你没…
阅读更多...
ES（笔记）

ES（笔记）

es就是json请求体代替字符串查询 dsl查询和过滤&#xff0c;一个模糊查询&#xff0c;一个非模糊查询 must&#xff0c;should 做模糊查询的&#xff0c;里面都是match&#xff0c;根据查询内容进行匹配&#xff0c;filter过滤&#xff0c;term词元查询&#xff0c;就是等值查…
阅读更多...
html引入别的html文件(类似于框架的组件使用,只适合静态的,不适合组件传值)

html引入别的html文件(类似于框架的组件使用,只适合静态的,不适合组件传值)

接手了一个官网项目的开发,要求使用html原生去写,就不免有些头疼,像数据的响应式,组件化开发等这些框架带来的好处都用不了了,但是我需要使用使用组件以便于在各个页面引入开发,例如公共的导航栏,页脚等,这里给个案例可以使用html实现这种类似于组件的功能,这里不能组件互相传值…
阅读更多...
cuda编码入门学习笔记

cuda编码入门学习笔记

在日常深度学习和科学计算中，使用图形处理器(GPU)进行加速是一个常见的做法。CUDA (Compute Unified Device Architecture) 是英伟达公司提供的用于GPU编程的平台和编程模型。同时它是一种并行计算模型，允许开发人员使用标准C语言对GPU进行编程。CUDA的核心思想是将任务分解为…
阅读更多...
The difference between Manhattan distance and Cosine Distance

The difference between Manhattan distance and Cosine Distance

题意&#xff1a;为什么即使返回了相同的文本块&#xff0c;曼哈顿距离&#xff08;Manhattan Distance&#xff09;和余弦距离&#xff08;Cosine Distance&#xff09;之间还是存在差异&#xff1f; 问题背景&#xff1a; I am using the qdrant DB and client for embeddin…
阅读更多...
API-M端事件

API-M端事件

学习目标&#xff1a; 掌握M端事件 学习内容&#xff1a; M端事件 M端事件&#xff1a; 移动端也有自己独特的地方。 比如触屏事件 touch&#xff08;也称触摸事件&#xff09;&#xff0c;Android和IOS都有。触屏事件 touch&#xff08;也称触摸事件&#xff09;&#xff0…
阅读更多...
排序【插入排序】

排序【插入排序】

排序的概念 排序&#xff1a;所谓排序&#xff0c;就是将一份数据&#xff0c;通过某个或者某些关键字的大小&#xff0c;进行递增或者递减排序的操作。 稳定性&#xff1a;假定在待排序的数据组中&#xff0c;存在多个相同的元素&#xff0c;若经过排序&#xff0c;这些数据…
阅读更多...
从零开始学习Linux（11）----进程间通信（管道）

从零开始学习Linux（11）----进程间通信（管道）

1.引言 两个进程之间&#xff0c;可以进行数据的直接传递吗&#xff1f;不能&#xff01;进程具有独立性 1.为什么&#xff1f;&#xff1f; 数据传输&#xff1a;一个进程需要将它的数据发送给另一个进程资源共享&#xff1a;多个进程之间共享同样的资源通知事件&#xff1a…
阅读更多...
决定佛蒙特州版图的关键历史事件:

决定佛蒙特州版图的关键历史事件:

​决定佛蒙特州版图的关键历史事件: 1. 早期探险与命名&#xff1a; - 1609年&#xff0c;法国探险家萨缪尔德尚普兰&#xff08;Samuel de Champlain&#xff09;到达了现在的佛蒙特州区域&#xff0c;并探索了尚普兰湖&#xff08;Lake Champlain&#xff09;。他将周围的山…
阅读更多...
最新文章

Copyright @ 2022~2023