2. 程式人生 > >基於OpenCV 的影象分割

基於OpenCV 的影象分割

阿新 • • 發佈：2018-11-21

1、影象閾值化
原始碼：

#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
#include <iostream>
using namespace std;
using namespace cv;
int thresholds=50;
int model=2;
Mat image,srcimage;
void track(int ,void *)
{
    Mat result;
    threshold(srcimage,result,thresholds,255,CV_THRESH_BINARY);
    //imshow("原圖",result);
	if(model==0)
	{
		threshold(srcimage,result,thresholds,255,CV_THRESH_BINARY);
		imshow("分割",result);
	}
	if(model==1)
	{
		threshold(srcimage,result,thresholds,255,THRESH_BINARY_INV);
		imshow("分割",result);	
	}
	if(model==2)
	{
		threshold(srcimage,result,thresholds,255,THRESH_TRUNC);
		imshow("分割",result);
	}
	if(model==3)
	{
		threshold(srcimage,result,thresholds,255,THRESH_TOZERO);
		imshow("分割",result);
	}
	if(model==4)
	{
		threshold(srcimage,result,thresholds,255,THRESH_TOZERO_INV);
		imshow("分割",result);
	}
}
int main()
{
    image=imread("2.2.tif");
    if(!image.data)
    {
        return 0;
    }
    cvtColor(image,srcimage,CV_BGR2GRAY);
    namedWindow("分割",WINDOW_AUTOSIZE);
    cv::createTrackbar("閾a值：","分割",&thresholds,255,track);
	cv::createTrackbar("模式：","分割",&model,4,track);
    track(thresholds,0);
	track(model,0);
    waitKey(0);
    return 0;
}

實現結果：
在這裡插入圖片描述
2、閾值處理

    //閾值處理
    #include "opencv2/core/core.hpp"
    #include "opencv2/highgui/highgui.hpp"
    #include "opencv2/imgproc/imgproc.hpp"
    
    using namespace cv;
    using namespace std;
    
    int main()
    {
    	printf("鍵盤按鍵ESC--退出程式");
    	Mat g_srcImage = imread("1.tif",0);
    	if(!g_srcImage.data)
    	{
    		printf("讀取圖片失敗");
    	}
    	imshow("原始圖",g_srcImage);
    
    	//大津法閾值分割顯示
    	/*大津法,簡稱OTSU.它是按影象的灰度特性,將影象分成背景
    	和目標2部分。背景和目標之間的類間方差越大,說明構成影象
    	的2部分的差別越大,當部分目標錯分為背景或部分背景錯分為
    	目標都會導致2部分差別變小。*/
    	Mat OtsuImage;
    	threshold(g_srcImage,OtsuImage,0,255,THRESH_OTSU);//0不起作用，可為任意閾值
    	imshow("OtsuImage",OtsuImage);
    
    	//自適應分割並顯示
    	Mat AdaptImage;
    	//THRESH_BINARY_INV：引數二值化取反
    	adaptiveThreshold(g_srcImage,AdaptImage,255,0,THRESH_BINARY_INV,7,8);
    	imshow("AdaptImage",AdaptImage);
    
    	while(1)
    	{
    		int key;
    		key = waitKey(20);
    		if((char)key == 27)
    		{ break; }
    	}
    }

在這裡插入圖片描述
3、拉普拉斯檢測

//Laplacian檢測
#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
using namespace cv;
using namespace std;

/*，在只關心邊緣的位置而不考慮其周圍的象素灰度差值時比較合適。
Laplace 運算元對孤立象素的響應要比對邊緣或線的響應要更強烈，因此
只適用於無噪聲圖象。存在噪聲情況下，使用 Laplacian 運算元檢測邊
緣之前需要先進行低通濾波。*/
int main()
{
	Mat src,src_gray,dst,abs_dst;
	src = imread("1.jpg");
	imshow("原始影象",src);

	//高斯濾波
	GaussianBlur(src,src,Size(3,3),0,0,BORDER_DEFAULT);
	//轉化為灰度圖，輸入只能為單通道
	cvtColor(src,src_gray,CV_BGR2GRAY);

	Laplacian(src_gray,dst,CV_16S,3,1,0,BORDER_DEFAULT);
	convertScaleAbs(dst,abs_dst);
	imshow("效果圖Laplace變換",abs_dst);
	waitKey();
	return 0;

}

效果圖：
在這裡插入圖片描述
4、canny演算法的邊緣檢測
原始碼

#include "opencv2/core/core.hpp"
#include "opencv2/highgui/highgui.hpp"
#include "opencv2/imgproc/imgproc.hpp"
using namespace cv;
using namespace std;
/*如果某一畫素位置的幅值超過高閾值，該畫素被保留為邊緣畫素。如果某
一畫素位置的幅值小於低閾值，該畫素被排除。如果某一畫素位置的幅值在
兩個閾值之間，該畫素僅僅在連線到一個高於高閾值的畫素時被保留。 */
int main()
{
	Mat picture2=imread("1.jpg");
	Mat new_picture2;
	Mat picture2_1=picture2.clone();
	Mat gray_picture2 , edge , new_edge;
	imshow("【原始圖】Canny邊緣檢測" , picture2);
	Canny(picture2_1 , new_picture2 ,150 , 100 ,3  );
	imshow("【效果圖】Canny邊緣檢測", new_picture2 );
	Mat dstImage,grayImage;
	//dstImage與srcImage同大小型別
	dstImage.create(picture2_1.size() , picture2_1.type());
	cvtColor(picture2_1,gray_picture2,CV_BGR2GRAY);//轉化為灰度圖
	blur(gray_picture2 , edge , Size(3,3));//用3x3的核心降噪
	Canny(edge,edge,3,9,3);
	dstImage = Scalar::all(0);//將dst內所有元素設定為0
	//使用canny運算元的邊緣圖edge作為掩碼，將原圖拷貝到dst中
	picture2_1.copyTo(dstImage,edge);
	imshow("效果圖Canny邊緣檢測2",dstImage);
	waitKey();
}

在這裡插入圖片描述
5、影象的分水嶺演算法
原始碼：

#include “opencv2/core/core.hpp”
#include “opencv2/highgui/highgui.hpp”
#include “opencv2/imgproc/imgproc.hpp”
#include

using namespace cv;
using namespace std;

#define WINDOW_NAME1 “顯示/操作視窗”
#define WINDOW_NAME2 “分水嶺演算法效果圖”

Mat g_maskImage,g_srcImage;
Point prevPt(-1,-1);

static void ShowHelpText();
static void on_Mouse(int event,int x,int y,int flags,void*);

//輸出一些幫助資訊
static void ShowHelpText()
{
printf(“當前使用的版本為:“CV_VERSION);
printf(”\n”);
printf(“分水嶺演算法—點中圖片進行滑鼠或按鍵操作\n”);
printf(“請先用滑鼠在圖片視窗中標記出大致的區域，\n然後再按鍵【1】或者【space】啟動演算法”);
printf("\n按鍵操作說明：\n"
“鍵盤按鍵【1】或者【space】–執行的分水嶺分割演算法\n”
“鍵盤按鍵【2】–回覆原始圖片\n”
“鍵盤按鍵【ESC】–退出程式\n”);
}

static void on_Mouse(int event,int x,int y,int flags,void*)
{
if(x<0||x>=g_srcImage.cols||y<0||y>=g_srcImage.rows)
return;

if(event == CV_EVENT_LBUTTONUP||!(flags & CV_EVENT_FLAG_LBUTTON))
	prevPt = Point(-1,-1);

else if(event == CV_EVENT_LBUTTONDOWN)
	prevPt= Point(x,y);

else if(event == CV_EVENT_MOUSEMOVE && (flags & CV_EVENT_FLAG_LBUTTON))
{
	Point pt(x,y);
	if(prevPt.x<0)
		prevPt = pt;
	line(g_maskImage,prevPt,pt,Scalar::all(255),5,8,0);
	line(g_srcImage,prevPt,pt,Scalar::all(255),5,8,0);
	prevPt = pt;
	imshow(WINDOW_NAME1,g_srcImage);
}

}

int main(int argc,char** argv)
{
system(“color A5”);

ShowHelpText();

g_srcImage = imread("1.jpg",1);
imshow(WINDOW_NAME1,g_srcImage);
Mat srcImage,grayImage;
g_srcImage.copyTo(srcImage);
cvtColor(g_srcImage,g_maskImage,CV_BGR2GRAY);
cvtColor(g_maskImage,grayImage,CV_GRAY2BGR);//灰度圖轉BGR3通道，但每通道的值都是原先單通道的值，所以也是顯示灰色的
g_maskImage = Scalar::all(0);//黑

setMouseCallback(WINDOW_NAME1,on_Mouse,0);

while(1)
{
	int c = waitKey(0);
	if((char)c == 27)
		break;
	if((char)c == '2')
	{
		g_maskImage = Scalar::all(0);//黑
		srcImage.copyTo(g_srcImage);
		imshow("image",g_srcImage);
	}
	if((char)c == '1'||(char)c == ' ')
	{
		int i,j,compCount = 0;
		vector<vector<Point>> contours;//定義輪廓
		vector<Vec4i> hierarchy;//定義輪廓的層次

		findContours(g_maskImage,contours,hierarchy,RETR_CCOMP,CHAIN_APPROX_SIMPLE);
		if(contours.empty())
			continue;
		Mat maskImage(g_maskImage.size(),CV_32S);
		maskImage = Scalar::all(0);

		for(int index = 0;index >= 0;index = hierarchy[index][0],compCount++)
			drawContours(maskImage,contours,index,Scalar::all(compCount+1),-1,8,hierarchy,INT_MAX);
		if(compCount == 0)
			continue;
		vector<Vec3b> colorTab;
		for(i=0;i<compCount;i++)
		{
			int b = theRNG().uniform(0,255);
			int g = theRNG().uniform(0,255);
			int r = theRNG().uniform(0,255);
			colorTab.push_back(Vec3b((uchar)b,(uchar)g,(uchar)r));
		}
			//計算處理時間並輸出到視窗中
		double dTime = (double)getTickCount();
		watershed(srcImage,maskImage);
		dTime = (double)getTickCount()-dTime;
		printf("\t處理時間=%gms\n",dTime*1000./getTickFrequency());
		//雙層迴圈，將分水嶺影象遍歷存入watershedImage中
		Mat watershedImage(maskImage.size(),CV_8UC3);
		for(i=0;i<maskImage.rows;i++)
			for(j=0;j<maskImage.cols;j++)
			{
				int index = maskImage.at<int>(i,j);
				if(index == -1)
					watershedImage.at<Vec3b>(i,j) = Vec3b(255,255,255);
				else if(index<=0||index>compCount)
					watershedImage.at<Vec3b>(i,j) = Vec3b(0,0,0);
				else
					watershedImage.at<Vec3b>(i,j) = colorTab[index-1];	
			}
			//混合灰度圖和分水嶺效果圖並顯示最終的視窗
			watershedImage = watershedImage*0.5+grayImage*0.5;
			imshow(WINDOW_NAME2,watershedImage);								
	}	
}
waitKey();
return 0;

}


效果：
在這裡插入圖片描述
![在這裡插入圖片描述](https://img-blog.csdnimg.cn/20181121123847750.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3ZpY3RvX2NoYW8=,size_16,color_FFFFFF,t_70)

相關推薦

基於OpenCV 影象分割

一、概述        從影象中將目標或部分目標分割出來，是我們在進行影象處理的操作，也是有意義的事情。在很多情況下，我們也希望將感興趣的目標區域分割出來，比如將一個人的臉或手分割出來。具體有下面提到的幾種方法。 1、背景減除         背景減除是在背景模型建立後，將

【opencv影象分割教程】1 課程概述

課程大綱 1）概述-影象分割與摳圖 2）K-Means 方法 3）GMM方法 4）分水嶺演算法 5）GrabCut 其中： K-Means，GMM基於聚類 分水嶺：影象拓撲 GrabCut：基於互動方式 實戰案例 視訊背景替換，證件照背景替換

基於OpenCV影象最小二乘相位解包裹演算法

QT：5.5.1         編譯器：mcvs2012       OpenCV：2.4.9 演算法寫在Qt上一個按鈕上，相當於一個main函式，主要是變化的源影象與目標影象的深度，通道的匹配容易報錯。 void MainWindow::on_pushButton_c

OpenCV影象分割實戰視訊教程-賈志剛-專題視訊課程

OpenCV影象分割實戰視訊教程—1739人已學習 課程介紹        基於OpenCV新版本3.2 講述，詳細解釋了KMeans、高斯混合模型(GMM)、分水嶺變換、Grabcut等演算法基本原理與在影象分割中的應用，基於OpenCV相關API演示每種影象分割方法，通過

OpenCV影象分割實戰C++（一）Grabcut摳圖與證件照背景替換

Grabcut摳圖 步驟： 輸入原影象 矩形輸入 開始分類 GMM描述 GMM訓練分類 Graph Cut分類 不斷迭代直到收斂分類 API： void grabCut( InputArray img, // 待分割影象，8bit，3通道 // 輸入

基於OpenCV 的影象分割

1、影象閾值化 原始碼： #include "opencv2/highgui/highgui.hpp" #include "opencv2/imgproc/imgproc.hpp" #include <iostream> using namespace std; using

OpenCv-C++-基於距離變換與分水嶺的影象分割

在這裡，先感謝賈志剛老師的教學，我今天學習了影象分水嶺分割，什麼是影象分割呢？借用賈志剛老師的課件，如下圖所示： 其實大致就是將下面圖1變成圖2的樣子： 圖1： 圖2： 或： 具體操作有什麼步驟？看下圖： 下面附上程式碼（具體解釋程式碼已註釋）： #include

opencv學習筆記五十七：基於分水嶺的影象分割

#include<opencv2\opencv.hpp> using namespace cv; using namespace std; int main(int arc, char** argv) { Mat src = imread("1.jpg");

Opencv影象處理---基於距離變換和分水嶺演算法的影象分割

程式碼 #include <opencv2/opencv.hpp> #include <iostream> using namespace std; using namespace cv; int main(int, char** argv) {

基於OpenCV的機器視覺應用&影象分割

對“ 待分割識別影象”資料夾中的 ” 所有 整版麻將圖片進行 分割 ，並輸出 識別 結果 ： 原始碼： #include <opencv2\core\core.hpp> #include <opencv2\highgui\highgui.hpp> #include

opencv——基於kmeans的影象分割

kmeans為無監督聚類最重要的演算法，本文用kmeans演算法對影象進行分割。演算法原理參考： https://blog.csdn.net/u013719780/article/details/51755124 https://blog.csdn.net/qq_36134318/artic

基於邊緣的影象分割——分水嶺演算法（watershed）演算法分析（附opencv原始碼分析）

最近需要做一個影象分割的程式，查了opencv的原始碼，發現opencv裡實現的影象分割一共有兩個方法，watershed和mean-shift演算法。這兩個演算法的具體實現都在segmentation.cpp檔案內。 watershed（分水嶺演算法）方法是一種基於邊界點

OpenCV影象處理教程C++（二十二）基於距離變換與分水嶺的影象分割

影象分割是影象處理最重要的處理手段之一 影象分割的目標是將影象中畫素根據一定的規則分為若干個cluster集合每個集合包括一類畫素 根據演算法分為監督學習和無監督學習，影象分割的演算法多數都是無監督學習-KMenas 距離變換常見演算法有兩種 - 不斷膨

基於opencv的Niblack二值化演算法--影象分割方法

Niblack演算法是比較出名的二值化演算法，網上很多Niblack程式碼是基於Matlab的，本人覺得其速度比較慢，所以便基於OpenCV改寫了其演算法，具體參考的部落格連結已經忘記了，希望博主原諒。如果缺少某些函式，比如最大值最小值函式，可以參考本人其他部落格，裡面會提供

OpenCV之影象處理(三十四) 基於距離變換與分水嶺的影象分割

影象分割(Image Segmentation)是影象處理最重要的處理手段之一 影象分割的目標是將影象中畫素根據一定的規則分為若干(N)個cluster集合，每個集合包含一類畫素。 根據演算法分為監督學習方法和無監督學習方法，影象分割的演算法多數

如何用基於resnet的Unet進行影象分割 基於Pytorch-0.5版本

1、關於Unet       Unet主要用於醫學影象的很多論文中，以及Kaggle競賽和一些其他競賽中“少類別”的影象分割。從我做實驗的經驗來說，像VOC這種類別比較多的分割任務，不容易收斂，效果較為差。 2、Resnet34   &n

0042-在OpenCV下利用均值漂移(Meanshift)進行影象分割

均值漂移實現影象分割的大概原理請見網頁http://www.docin.com/p-631981950.html，網頁中對原理的理解已經說得比較清楚。如果你想了解詳細原理，可以參考PAMI 2003的一篇文章,非常經典的哦,文章名稱是 Mean Shift:A Robust Approach Tow

opencv用於醫學影象分割

初衷 最近比較閒，跟同學聊天講到他的課題：醫學影象分割，提取左心室區域。 我就好奇要了原始圖片，發現超聲影象果然比紅外影象解析度低，他指給我左心室所在區域。 思路 拿到這張圖第一眼，腦海裡蹦出無數個小想法： 感興趣區域為一個扇形，所以首先製作掩模； 這種灰度

對傾斜的影象進行修正——基於opencv 透視變換

這篇文章主要解決這樣一個問題： 有一張傾斜了的圖片（當然是在Z軸上也有傾斜，不然直接旋轉得了o(╯□╰)o），如何儘量將它糾正到端正的狀態。 而要解決這樣一個問題，可以用到透視變換。 關於透視變換的原理，網上已經有一大推了，這裡就不再做介紹了。

基於圖的影象分割(Effective graph-based image segmentation)python實現

基於圖的影象分割Effective graph-based image segmentation 前言 簡介 程式碼實現與解讀 圖的構建 影象分割 問題 前言 最近在學習區域卷積神經網路(RCN