OpenCV的图像分割

1、基本概念

图像分割是计算机视觉和图像处理中的一个关键步骤，它指的是将图像划分为多个区域或对象的过程。这些区域或对象在某种特性（如颜色、形状、纹理或亮度等）上是一致的或相似的，而在不同区域之间则存在明显的差异。图像分割的目标是从图像中提取出感兴趣的部分，以便于后续的图像分析和理解。
具体来说，图像分割可以进一步细分为不同的类型，包括：

阈值分割：这是最简单的一种分割方法，它基于图像的灰度值或颜色值来设定一个或多个阈值，从而将图像分割为不同的区域。例如，在二值化过程中，选择一个阈值，将高于该阈值的像素设为白色，低于该阈值的像素设为黑色。
基于边缘的分割：这种方法依赖于图像中的边缘信息，即灰度值或颜色值发生显著变化的位置。通过检测这些边缘，可以将图像划分为不同的部分。
基于区域的分割：这种方法根据像素的相似性将图像划分为区域。常见的算法包括区域生长和分裂合并等。
基于图论的分割：如最小割/最大流算法等，将图像视为一个图，像素作为图的节点，节点之间的相似性作为边的权重，通过求解图的最优划分来实现图像分割。
基于深度学习的分割：近年来，随着深度学习技术的发展，基于卷积神经网络（CNN）的图像分割方法取得了显著的效果。这些方法通过学习大量的训练数据来自动提取图像特征，并实现对图像的精确分割。例如，全卷积网络（FCN）、U-Net等模型在医学图像分割、场景理解等领域得到了广泛应用。

2、OpenCV的分割API

2.1 threshold

cv.threshold 是 OpenCV 库中用于图像阈值化处理的一个非常重要的函数，使用最多的就是其中包含的OTSU分割方法，又称大津法。其函数原型和参数详细解释如下：

retval, dst = cv.threshold(src, thresh, maxval, type[, dst])

参数详细解释

src：输入图像。这可以是 8 位的灰度图，也可以是 32 位的浮点数图像。但在实际应用中，阈值处理通常在灰度图像上进行。
dst：输出图像。与输入图像具有相同的大小和类型。函数处理后的图像将存储在这里。
thresh：这是用于将像素分类的阈值。如果源图像中某个像素的灰度值大于或等于这个阈值，则目标图像中对应像素的灰度值将被设置为 maxval（对于某些阈值类型，如 THRESH_BINARY）；否则，将被设置为 0（对于 THRESH_BINARY 类型）。
maxval：当像素值超过（或在某些阈值类型下，小于）阈值时应该赋予的新值。对于二值化操作，这个值通常是 255，表示白色。
type：阈值类型，决定了阈值操作的具体方式。常见的阈值类型包括：

cv::THRESH_BINARY（或 cv2.THRESH_BINARY 在 Python 中）：二值化。大于阈值的像素被设置为 maxval，小于阈值的像素被设置为 0。
cv::THRESH_BINARY_INV（或 cv2.THRESH_BINARY_INV）：反二值化。与 THRESH_BINARY 相反，小于阈值的像素被设置为 maxval，大于阈值的像素被设置为 0。
cv::THRESH_TRUNC（或 cv2.THRESH_TRUNC）：截断。大于阈值的像素被设置为阈值本身，小于阈值的像素保持不变。
cv::THRESH_TOZERO（或 cv2.THRESH_TOZERO）：设为零。大于阈值的像素保持不变，小于阈值的像素被设置为 0。
cv::THRESH_TOZERO_INV（或 cv2.THRESH_TOZERO_INV）：反向设为零。小于阈值的像素保持不变，大于阈值的像素被设置为 0。
cv::THRESH_OTSU 和 cv::THRESH_TRIANGLE：这两种类型用于自动计算最佳阈值，而不是使用固定的阈值。它们通常与其他阈值类型结合使用，以获取更好的分割效果。函数返回实际使用的阈值。

OTSU的分割方法，对于图像直方图为双峰的场景，分割效果较好。示例代码如下：

import cv2 as cv
import numpy as npdef OTSU(input):_, bw = cv.threshold(input, 128, 255, cv.THRESH_OTSU)return bwif __name__ == '__main__':image = cv.imread('sky.jpg', cv.IMREAD_GRAYSCALE)bw = OTSU(image)result = np.concatenate([image, bw], axis=1)cv.imwrite('otsu.jpg', result)cv.imshow('bw', bw)cv.waitKey()

在这里插入图片描述

2.2 adaptiveThreshold

adaptiveThreshold是OpenCV中的自适应分割函数，这个函数允许为图像的不同部分应用不同的阈值，特别适用于处理光照不均或背景复杂变化的场景，比如文档图像。

void cv::adaptiveThreshold(InputArray src, OutputArray dst, double maxValue, int adaptiveMethod, int thresholdType, int blockSize, double C);

参数说明

src：输入的8位单通道图像，通常是灰度图。
dst：输出图像，与输入图像有相同的尺寸和类型。
maxValue：当像素值超过（或根据阈值类型小于）计算得到的阈值时赋予的像素值。
adaptiveMethod：使用的自适应阈值算法。有两种选择：
- cv::ADAPTIVE_THRESH_MEAN_C：表示使用局部区域的平均值减去C来计算阈值。
- cv::ADAPTIVE_THRESH_GAUSSIAN_C：表示使用局部区域的高斯加权和减去C来计算阈值。
- thresholdType：阈值类型，必须是cv::THRESH_BINARY或cv::THRESH_BINARY_INV。
- THRESH_BINARY：如果像素值大于阈值，则设为最大值，否则设为0。
- THRESH_BINARY_INV：如果像素值大于阈值，则设为0，否则设为最大值。
blockSize：局部区域的大小，用于计算阈值，必须是正奇数。
C：从均值或加权均值中减去的常数。
示例代码如下：

import cv2 as cv
import numpy as np
def Ada(input):bw = cv.adaptiveThreshold(input, 255, cv.ADAPTIVE_THRESH_MEAN_C, cv.THRESH_BINARY, 15, 5)return bwif __name__ == '__main__':image = cv.imread('doc.jpg', cv.IMREAD_GRAYSCALE)bw = Ada(image)result = np.concatenate([image, bw], axis=1)cv.imwrite('doc-result.jpg', result)cv.imshow('bw', bw)cv.waitKey()

在这里插入图片描述

2.3 边缘分割Canny算子

函数定义

edges = cv2.Canny(image, threshold1, threshold2[, edges[, apertureSize[, L2gradient]]])

参数说明

image（InputArray类型）：输入图像，应为单通道的8位图像（灰度图像）。在Python中，这个参数直接传入图像变量即可。
edges（OutputArray类型）：输出图像，用于存放检测到的边缘。这个图像应与原图像具有相同的尺寸和类型。在Python中，这个参数通常是可选的，因为函数会返回一个包含边缘的图像。
threshold1（double类型）：第一个滞后性阈值（低阈值），用于弱边缘的检测。这个阈值较低，可以捕获更多的边缘细节，但也可能导致噪声被误检为边缘。
threshold2（double类型）：第二个滞后性阈值（高阈值），用于强边缘的检测。这个阈值较高，可以确保检测到的边缘更加显著和连续。通常，高低阈值的比在2:1到3:1之间效果较好。
apertureSize（int类型，默认为3）：Sobel算子的尺寸，即用于计算图像梯度的滤波器的孔径大小。这个参数影响边缘检测的灵敏度和精度。
L2gradient（bool类型，默认为false）：一个计算图像梯度幅值的标识。如果设为true，则使用L2范数来计算梯度幅度（即两个方向倒数的平方和再开方）；如果设为false，则使用L1范数（即将两个方向导数的绝对值相加）。L2范数通常能提供更精确的结果，但计算量稍大。

示例代码：

import cv2 as cv
import numpy as np
if __name__ == '__main__':image = cv.imread('lingjian.jpg', cv.IMREAD_GRAYSCALE)bw = cv.Canny(image, 30, 90)result = np.concatenate([image, bw], axis=1)cv.imwrite('lingjian-result.jpg', result)cv.imshow('bw', bw)cv.waitKey()