使用分水嶺和GrabCut算法進行物體分割

用GrabCut算法進行圖像分割

在OpenCV中，實現了grabcut分割算法，該算法可以方便的分割出前景圖像，操作簡單，而且分割的效果很好。算法的原理參見papaer：“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts

比如下面的一副圖，我們只要選定一個四邊形框，把框中的圖像作為grabcut的一個輸入參數，表示該框中的像素可能屬於前景，但框外的部分一定屬於背景。

GrabCut算法實現步驟為：

1.在圖片中定義含有（一個或多個）物體的矩形

2.矩形外的區域被自動認為是背景

3.對於用戶定義的矩形區域，可用背景中的數據來區別它裏面的前景和背景區域

4.用高斯混合模型（GMM）來對背景和前景建模，並將未定義的像素標記為可能的前景或背景。

5.圖像中的每一個像素都被看作通過虛擬邊與周圍像素相連接，而每條邊都有一個屬於前景或背景的概率，這基於它與周圍像素顏色上的相似性。

6.每一個像素（即算法中的節點）會與一個前景或背景節點連接

7.在節點完成連接後（可能與背景或前景連接），若節點之間的邊屬於不同終端（即一個節點屬於前景，另一個節點屬於背景），則會切斷它們之間的邊（這就是算法名中的切割部分），這就能將圖像各部分分割出來。

import numpy as np
import cv2
 
from matplotlib import pyplot as plt

img=cv2.imread(‘1.jpg‘)
mask=np.zeros(img.shape[:2],np.uint8)#創建一個掩模

#創建以0填充的前景和背景模型
bgdModel=np.zeros((1,65),np.float64)
fgdModel=np.zeros((1,65),np.float64)

rect=(100,160,400,670)#創建矩形
cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)#使用了指定的空模型和掩模來運行GrabCut，並且實際上是用一個矩形來初始化這個操作
#做完這些後，我們的掩模已經變成包含0~3之間的值。值為0和2的將轉為0，值為1，3的將轉為1.然後保存在mask2中。這樣就可以用mask2過濾出所有的0值像素（理論上會完整保留所有前景像素）
mask2
 
=np.where((mask==0)|(mask==2),0,1).astype(‘uint8‘)
img=img*mask2[:,:,np.newaxis]

plt.subplot(121),plt.imshow(img)
plt.title("grabcut"),plt.xticks([]),plt.yticks([])
plt.subplot(122),plt.imshow(cv2.cvtColor(cv2.imread("1.jpg"),cv2.COLOR_BGR2RGB))
plt.title("original"),plt.xticks([]),plt.yticks([])
plt.show()

使用分水嶺算法進行圖像分割

把圖像中的低密度的區域（變化很少）想象成山谷，圖像中高密度的區域（變化很多）想象成山峰。開始向山谷中註入水直到不同的山谷中的水開始匯聚。為了阻止不同山谷的水匯聚，可以設置一些柵欄，最後得到的柵欄就是圖像分割。

import numpy as np
import cv2
from matplotlib import pyplot as plt
img=cv2.imread("1.jpg")
gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)#顏色轉為灰度
ret,thresh=cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)#可為圖像設一個閾值
kernel=np.ones((3,3),np.uint8)
opening=cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel,iterations=2)#去除噪聲
sure_bg=cv2.dilate(opening,kernel,iterations=3)

dist_transform=cv2.distanceTransform(opening,cv2.DIST_L2,5)#可以通過distanceTransform來獲取確定的前景區域。也就是說，這是圖像中最可能是前景的區域，越是遠離背景區域的邊界點越可能屬於前景，這裏用了閾值來決定那些區域是前景
ret,sure_fg=cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0)
#這個階段之後，所得到的前景和背景中有重合的部分該怎麽辦？首先需要確定這些區域，這可從sure_bg與sure_fg的集合相減得到
sure_fg=np.uint8(sure_fg)
unknown=cv2.subtract(sure_bg,sure_fg)
#現在有了這些區域，就可以設定柵欄來阻止水匯聚，這是通過connectedComponents函數完成。
ret,markers=cv2.connectedComponents(sure_fg)

markers=markers+1
markers[unknown==255]=0
#把柵欄繪制成紅色
markers=cv2.watershed(img,markers)
img[markers==-1]=[255,0,0]
plt.imshow(img)
plt.show()

opencv3計算機視覺+Python（四）