版本說明：Opencv 3.2.0版本

一.預處理

1.去噪聲

根據噪聲的種類選擇合適的濾波器進行去除。

2.去除光亮

需從場景中的其他影象提取位於完全相同位置，沒有任何物件，並且具有相同光照條件的影象。然後用一種簡單的數學運算，刪除光這個模式：
1）差分
2）除法
影象差分是最簡單的方法。如果有光紋矩陣L和影象矩陣I，去除R的結果是他們之間的差值：
R=L-I
除法去除R的結果是
R=255×（1-I/L）
下面給出差分程式碼 img為需要刪除光的影象，pattern位光紋遮擋

Mat removeLight（Mat img，Mat pattern）
{
    Mat result;
    result=
 
pattern-img;//R=L-I
    return result;
}

下面是除法

Mat removeLight（Mat img，Mat pattern）
{
    Mat result，img32，pattern32;
    img.covertTo(img32，CV_32F);
    pattern.convertTo(pattern32,CV_32F);
    //影象除以模式
    result=1-(img32/pattern32);
    result=result*255;//縮放以轉換為8位模式
    result.convertTo(result,CV_8U);//轉換為8位模式
 

    return result;
}

注意 ：除法需要用32位浮點型才能分離影象。
可以用blur原圖來估計背景。估計背景的方法如下：
在輸入影象上使用大尺寸核矩陣模糊化，這是一種在OCR中常用的技術。雖然與上述方法存在差異，但足以消除背景類。函式如下：

Mat calculateLightPattern(Mat img)
{
    Mat pattern;
    blur(img,pattern,Size(img.cols/3,img.rows/3));
    return pattern;
}

下面給出自己根據上述函式做的效果圖。這是用差分法後的去光效果：

下面是用除法的

可以發現兩種方式都能有效的把背景光去掉。注意，我可是開的手電筒哦。。

3. 閥值操作

刪除背景後，還需要能在為來進行影象分割的二值影象。
threshold 全域性二值化

一幅影象包括目標物體、背景還有噪聲，要想從多值的數字影象中直接提取出目標物體，最常用的方法就是設定一個全域性的閾值T，用T將影象的資料分成兩部分：大於T的畫素群和小於T的畫素群。將大於T的畫素群的畫素值設定為白色（或者黑色），小於T的畫素群的畫素值設定為黑色（或者白色）。
這裡可以使用兩個不同閥值的threshold函式：從圖片中可以看出非興趣區域是黑色或者很低值，刪除光/背景時，可以使用一個低值.
下面是閥值化後的效果

可以看出大部分感興趣區域已經亮起來啦，這裡的閥值需要自己根據實際慢慢調整。。當然我這個興趣區域太大啦而且是在晚上室內燈下做的，可能效果不好。
double threshold( InputArray src, OutputArray dst, double thresh, double maxval, int type )
引數說明：
src：輸入影象。
dst：輸出影象。
thresh:閥值T。
maxval：向上最大值
type：型別
詳細解釋大家可以看看這位大佬總結的http://blog.csdn.net/guduruyu/article/details/68059450

二.分割

這裡介紹了用於分割閥值影象的兩種技術：
1）連通區域
2）findContours函式

1.連通區域演算法

連通區域是分割和識別二進位制影象部分的常用演算法。
連通域是使用8或者4連結畫素標記影象的迭代演算法。
4連通：只有橫向和豎向連通。
8連通：在4連通的基礎上加上了對角連通。
OpenCV3中提供有下面兩個不同功能的連通區域演算法：
1）connectedComponents（image,labels,connectivity=8,type=CV_32S）
2）connectedComponentsWithStats(image,labels,stats,centroids,connectivity=8,ltype=CV_32S)
這兩個函式返回一個表示檢測到幾個標籤的整數，標籤0表示背景，1表示第一個物件，然後依次類推。
connectedComponents的引數說明：
Image ：待標記的輸入影象
Label ：這是一個Mat，是輸出，其輸出一個與輸入大小相同的影象，每個畫素都有各自標籤值，0代表背景，1代表連通區域的第一個物件，2代表第二個物件，以此類推。
Connectivity：有兩個可能值，4或者8。分別表示4連通方式還是8連通方式。
Type：這是想要使用的標籤影象型別：只允許兩種型別，CV_32S或CV_16U.
connectedComponentsWithStats的引數說明：
Image ：待標記的輸入影象
Label ：這是一個Mat，是輸出，其輸出一個與輸入大小相同的影象，每個畫素都有各自標籤值，0代表背景，1代表連通區域的第一個物件，2代表第二個物件，以此類推。
Connectivity：有兩個可能值，4或者8。分別表示4連通方式還是8連通方式。
Type：這是想要使用的標籤影象型別：只允許兩種型別，CV_32S或CV_16U.
Stats :包括背景標籤在內的所有標籤的輸出引數。以下統計值可以通過統計資料（標籤。列）訪問，列也同樣定義，具體如下：
××××××CC_STAT_LEFT:這是連通區域物件的左邊x座標
××××××CC_STAT_TOP:這是連通區域物件的頂層y座標
××××××CC_STAT_WIDTH:這定義連通區域物件邊框的寬度
××××××CC_STAT_HEIGHT:這定義連通區域物件邊框的高度
××××××CC_STAT_AREA:這是連通區域物件的畫素（區）數量
Centroids：每個標籤(包含背景)的浮點型質心點。

下面給出函式，就不給圖了（總不能把我自己分割類吧），書上是針對一些零件分割的，自行想象上面已出的圖，效果應該不錯。

void ConnectedComponents(Mat img)
{
    Mat lebels;
    //檢測到連通區域的數目給lebels
    int num_objects=connectedComponents(img,labels);
    if（num_objects<2）//1的時候應該是隻有背景（個人理解）
    {
        cout<<"No object detected"<<endl;
        return;
    }
    else
    {
        cout<<"Number of objects detected:"<<num_objects-1<<endl;
    }
//建立彩色目標輸出影象
Mat output=Mat::zeros(img.rows,img.cols,CV_8UC3);//3通道8位uchar 0矩陣
RNG rng(0xFFFFFFFF);//RNG為隨機數生成器類 
for(int i=1;i<num_objects;i++）
{
    Mat mask=（labels==i）;//A
    output.setTo(randomColor(rng),mask);//B
}
    imshow("result",output);
}

A：此處括號是我自己加的 便於理解，個人認為labels是mat類，裡面存以不同標籤號的圖
B：randomColor其實就是將隨機數/255的作用。 setTo（x,mask）自己理解為只處理mask，即矩陣不為0的地方，並將x得到的三通到顏色給予mask

下面用connectedComponentsWithStats（）來顯示更多資訊的輸出結果影象。
下面是其函式：

void ConnectedComponentsStats(Mat img)
{
    //連通區域統計資訊的三個量
    Mat labels,stats,centroids;
    int num_objects=connectedComponentsWithStats(img,labels,stats,centroids);
    //檢查檢測到連通域的數目
    if（num_objects<2）//1的時候應該是隻有背景（個人理解）
    {
        cout<<"No object detected"<<endl;
        return;
    }
    else
    {
        cout<<"Number of objects detected:"<<num_objects-1<<endl;
    }
    Mat output=Mat::zeros(img.rows,img.cols,CV_8UC3);
    RNG rng(0xFFFFFFFF);//RNG為隨機數生成器類
    for(int i=1;i<num_objects;i++)
    {
        cout<<"Object"<<i<<"with pos:"<<centroids.at<Point2d>(i)<<"with area"<<stats.at<int>(i,CC_STAT_AREA)<<endl;//A
        Mat mask=(labels==i);
        output.setTo(randomColor(rng),mask);
        //使用區域繪製文字
        stringstream ss;//新增統計區域資訊
        ss<<"area:"<<stats.at<int>(i,CC_STAT_AREA);
        putText(output,ss.str(),centroids.at<Point2d>(i),FONT_HERSHEY_SIMPLEX,0.4,Scalar(255,255,255));
        //在output上描述資訊（這裡利用了putText函式）
    }
    imshow("result",output);
}

A: centroids.at < Point2d > (i)表示第i個連通域的質心 stats.at < int>(i,CC_STAT_AREA)為連通域畫素的數量。

2.查詢輪廓（findContours演算法）

其函式宣告如下：
void findContours(InputOutputArray image, OutputArrayofArrays contours, OutputArray hierarchy, int mode,int method,Point offset=Point())
每個引數的含義如下：
image：二進位制輸入影象。
contours：輸出輪廓，每個檢測出來的輸出輪廓是點向量，通常用vector < vector< Point> >型別來儲存。
hierarchy：儲存輪廓層次結構的可選輸出向量，可以得到每個輪廓之間的關係的影象拓撲。具體可以在learning Opencv 裡面看。
mode：檢測輪廓的方法：
××××××RETR_EXTERNAL:檢測外部輪廓
××××××RETR_LIST:檢索沒有建立層次結構的輪廓
××××××RETR_CCOMP：檢索有兩個級別的層次結構的所有輪廓：外部和孔，如果另一個物件在一個洞裡，那麼將其放在層次結構的頂層。
method：檢測輪廓形狀的近似方法：
××××××CV_CHAIN_APPROX_NONE:這並不適用於近似任何輪廓和儲存所有的輪廓點。
××××××CV_CHAIN_APPROX_SIMPLE:這壓縮儲存水平，垂直和對角線段的起始點和結束點。例如，矩形就只會有4個角點。
××××××CV_CHAIN_APPROX_TC89_L1,CV_CHAIN_APPROX_TC89_KCOS:這適用於Teh-Chin chain近似演算法。
offset：用於轉移所有輪廓的可選點。當ROI工作中，這是非常有用的，而且需要檢索全域性位置。

這裡再給出與之成對使用的函式DrawContours：
void drawContours(InputOutputArray image, InputArrayOfArrays contours, int contourIdx, const Scalar& color, int thickness=1, int lineType=8, InputArray hierarchy=noArray(), int maxLevel=INT_MAX, Point offset=Point() )
image：用來繪製輪廓的輸出影象
contours：輪廓向量一般與findContours裡面一致
contourIdx：指示輪廓繪製的數字。即繪製contours裡面的第幾個輪廓，若為負數，則全部繪出
Scalar& color：繪製輪廓的顏色
thickness：輪廓線的粗細。若為負數則填充整個輪廓內部。
lineType：線型
hierarchy：繪製輪廓層次結構的可選輸出向量，可以得到每個輪廓之間的關係的影象拓撲。具體可以在learning Opencv 裡面看。
maxLevel：可選引數，當層次結構引數可用時，可對他進行設定。若設定為0，只繪製指定輪廓;若設定為1，這個函式繪製當前輪廓及巢狀;若為2，演算法繪製所有指定輪廓層次。
offset：可選引數，改變輪廓。
下面給出程式碼及個人理解：

void FindContoursBasic(Mat img)
{
    vector<vector<Point> > contours;//點集陣列.那個空格必須有，不然會被讀成>>。
    findContours(img,contours,RETR_EXTERNAL,CHAIN_APPROX_SIMPLE);
    Mat output=Mat::zeros(img.rows,img.cols,CV_8UC3);//定義繪製板
    if(contours.size()==0)
    {
        cout<<"No objects founded"<<endl;
        return -1;
    }
    else
    {
        cout<<"objects number:"<<contours.size()<<endl;
    }
    RNG rng(0xFFFFFFFF);//隨機數
    for(int i=0;i<contours.size(),i++)
    {
        drawContours(output,contours,i,randomColor(rng));//依次將輪廓繪製到output上
    }
    imshow("Output",output);
}