例子源于OpenCV官网–基于距离变换和分水岭算法的图像分割

（/4.x/d2/dbd/tutorial_distance_transform.html）

使用OpenCV函数cv::filter2D来执行一些拉普拉斯滤波来进行图像锐化

使用OpenCV函数cv::distanceTransform来获得二值图像的派生(derived)表示，其中每个像素的值被其到最近的背景像素的距离所替换

使用OpenCV函数cv::watershed将图像中的物体从背景中分离出来

代码：

#基于距离变换和分水岭算法的图像分割from __future__ import print_functionimport cv2 as cvimport numpy as npimport argparseimport random as rngrng.seed(12345)#加载源图像，并检查它是否加载没有任何问题，然后显示它parser = argparse.ArgumentParser(description='Code for Image Segmentation with Distance Transform and Watershed Algorithm.\Sample code showing how to segment overlapping objects using Laplacian filtering, \in addition to Watershed and Distance Transformation')parser.add_argument('--input', help='Path to input image.', default='cards.png')args = parser.parse_args()src = cv.imread(cv.samples.findFile(args.input))if src is None:print('Could not open or find the image:', args.input)exit(0)# Show source imagecv.imshow('Source Image', src)"""然后，如果我们有一个白色背景的图像，最好将其转换为黑色。当我们应用距离变换时，这将帮助我们更容易地区分前景对象:"""src[np.all(src == 255, axis=2)] = 0# Show output imagecv.imshow('Black Background Image', src)"""然后，我们将锐化我们的图像，(锐化处理的主要目的是突出灰度的过度部分。)以锐化前景对象的边缘。我们将应用一个拉普拉斯滤波器和一个相当强的滤波器(二阶导数的近似):"""kernel = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]], dtype=np.float32)#kernel 是一个3x3的边缘特征提取器，可以提取各个方向上的边缘# do the laplacian filtering as it is# well, we need to convert everything in something more deeper then CV_8U# because the kernel has some negative values,# and we can expect in general to have a Laplacian image with negative values# BUT a 8bits unsigned int (the one we are working with) can contain values from 0 to 255# so the possible negative number will be truncatedimgLaplacian = cv.filter2D(src, cv.CV_32F, kernel)#执行一些拉普拉斯滤波来进行图像锐化sharp = np.float32(src)imgResult = sharp - imgLaplacian"""imgResult = sharp - imgLaplacian由于拉普拉斯是一种微分算子，如果所使用的定义具有负的中心系数，那么必须将原图像减去经拉普拉斯变换后的图像，从而得到锐化结果。"""# convert back to 8bits gray scale 转换回8位灰度imgResult = np.clip(imgResult, 0, 255)"""np.clip是一个截取函数，用于截取数组中小于或者大于某值的部分，并使得被截取部分等于固定值。此处规定的最小值为0，最大值为255"""imgResult = imgResult.astype('uint8')#作用：就是转换numpy数组的数据类型imgLaplacian = np.clip(imgLaplacian, 0, 255)imgLaplacian = np.uint8(imgLaplacian)#cv.imshow('Laplace Filtered Image', imgLaplacian)cv.imshow('New Sharped Image', imgResult)#现在我们将新的锐化源图像分别转换为灰度和二值图像:bw = cv.cvtColor(imgResult, cv.COLOR_BGR2GRAY)_, bw = cv.threshold(bw, 40, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)cv.imshow('Binary Image', bw)"""1.现在我们准备对二值图像应用距离变换。2.此外，我们对输出图像进行了归一化，以便能够对结果进行可视化和阈值处理:"""dist = cv.distanceTransform(bw, cv.DIST_L2, 3)"""1:Opencv中distanceTransform方法用于计算图像中每一个非零点距离离自己最近的零点的距离，distanceTransform的第二个Mat矩阵参数dst保存了每一个点与最近的零点的距离信息，图像上越亮的点，代表了离零点的距离越远。"""#2. Normalize the distance image for range = {0.0, 1.0}# so we can visualize and threshold it#2.对range ={0.0, 1.0}的距离图像进行归一化#，这样我们就可以可视化并设定阈值cv.normalize(dist, dist, 0, 1.0, cv.NORM_MINMAX)cv.imshow('Distance Transform Image', dist)"""我们对dist图像进行阈值，然后进行一些形态学操作(即膨胀)，以便从上述图像中提取峰值:"""_, dist = cv.threshold(dist, 0.4, 1.0, cv.THRESH_BINARY)#阈值函数# Dilate a bit the dist image 膨胀kernel1 = np.ones((3,3), dtype=np.uint8)dist = cv.dilate(dist, kernel1)#膨胀函数cv.imshow('Peaks', dist)"""从每个blob中，然后我们在cv::findContours函数(找轮廓)的帮助下为分水岭算法创建一个种子/标记:"""dist_8u = dist.astype('uint8')#转换数组的数据类型# Find total markers 发现总标记contours, _ = cv.findContours(dist_8u, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)# Create the marker image for the watershed algorithm#为分水岭算法创建标记图像markers = np.zeros(dist.shape, dtype=np.int32)# Draw the foreground markers 绘制前景标记for i in range(len(contours)):cv.drawContours(markers, contours, i, (i+1), -1)# Draw the background marker 背景标记cv.circle(markers, (5,5), 3, (255,255,255), -1)markers_8u = (markers * 10).astype('uint8')cv.imshow('Markers', markers_8u)"""最后，我们可以应用分水岭算法，并将结果可视化:（分水岭算法是一种图像区域分割算法，它把位置接近，灰度值也接近的像素点连接起来形成一个封闭的区域。）"""cv.watershed(imgResult, markers)#mark = np.zeros(markers.shape, dtype=np.uint8)mark = markers.astype('uint8')#转换数组的数据类型mark = cv.bitwise_not(mark)"""bitwise_not是对二进制数据进行“非”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“非”操作，~1=0，~0=1"""# uncomment this if you want to see how the mark# image looks like at that point#cv.imshow('Markers_v2', mark)# Generate random colorscolors = []for contour in contours:colors.append((rng.randint(0,256), rng.randint(0,256), rng.randint(0,256)))# Create the result imagedst = np.zeros((markers.shape[0], markers.shape[1], 3), dtype=np.uint8)# Fill labeled objects with random colors#用随机的颜色填充已标记的物体for i in range(markers.shape[0]):for j in range(markers.shape[1]):index = markers[i,j]if index > 0 and index <= len(contours):dst[i,j,:] = colors[index-1]# Visualize the final image 可视化最终的图像cv.imshow('Final Result', dst)cv.waitKey()

运行结果：

1. 原图：

#加载源图像，并检查它是否加载没有任何问题，然后显示它parser = argparse.ArgumentParser(description='Code for Image Segmentation with Distance Transform and Watershed Algorithm.\Sample code showing how to segment overlapping objects using Laplacian filtering, \in addition to Watershed and Distance Transformation')parser.add_argument('--input', help='Path to input image.', default='cards.png')args = parser.parse_args()src = cv.imread(cv.samples.findFile(args.input))if src is None:print('Could not open or find the image:', args.input)exit(0)# Show source imagecv.imshow('Source Image', src)

2.将原图转换为黑色背景:

"""然后，如果我们有一个白色背景的图像，最好将其转换为黑色。当我们应用距离变换时，这将帮助我们更容易地区分前景对象:"""src[np.all(src == 255, axis=2)] = 0# Show output imagecv.imshow('Black Background Image', src)

3.锐化后的图像：

"""然后，我们将锐化我们的图像，(锐化处理的主要目的是突出灰度的过度部分。)以锐化前景对象的边缘。我们将应用一个拉普拉斯滤波器和一个相当强的滤波器(二阶导数的近似):"""kernel = np.array([[1, 1, 1], [1, -8, 1], [1, 1, 1]], dtype=np.float32)#kernel 是一个3x3的边缘特征提取器，可以提取各个方向上的边缘# do the laplacian filtering as it is# well, we need to convert everything in something more deeper then CV_8U# because the kernel has some negative values,# and we can expect in general to have a Laplacian image with negative values# BUT a 8bits unsigned int (the one we are working with) can contain values from 0 to 255# so the possible negative number will be truncatedimgLaplacian = cv.filter2D(src, cv.CV_32F, kernel)#执行一些拉普拉斯滤波来进行图像锐化sharp = np.float32(src)imgResult = sharp - imgLaplacian"""imgResult = sharp - imgLaplacian由于拉普拉斯是一种微分算子，如果所使用的定义具有负的中心系数，那么必须将原图像减去经拉普拉斯变换后的图像，从而得到锐化结果。"""# convert back to 8bits gray scale 转换回8位灰度imgResult = np.clip(imgResult, 0, 255)"""np.clip是一个截取函数，用于截取数组中小于或者大于某值的部分，并使得被截取部分等于固定值。此处规定的最小值为0，最大值为255"""imgResult = imgResult.astype('uint8')#作用：就是转换numpy数组的数据类型imgLaplacian = np.clip(imgLaplacian, 0, 255)imgLaplacian = np.uint8(imgLaplacian)#cv.imshow('Laplace Filtered Image', imgLaplacian)cv.imshow('New Sharped Image', imgResult)

4.二值图像：

#现在我们将新的锐化源图像分别转换为灰度和二值图像:bw = cv.cvtColor(imgResult, cv.COLOR_BGR2GRAY)_, bw = cv.threshold(bw, 40, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)cv.imshow('Binary Image', bw)

5.做距离变换 且 归一化的图像：

"""1.现在我们准备对二值图像应用距离变换。2.此外，我们对输出图像进行了归一化，以便能够对结果进行可视化和阈值处理:"""dist = cv.distanceTransform(bw, cv.DIST_L2, 3)"""1:Opencv中distanceTransform方法用于计算图像中每一个非零点距离离自己最近的零点的距离，distanceTransform的第二个Mat矩阵参数dst保存了每一个点与最近的零点的距离信息，图像上越亮的点，代表了离零点的距离越远。"""#2. Normalize the distance image for range = {0.0, 1.0}# so we can visualize and threshold it#2.对range ={0.0, 1.0}的距离图像进行归一化#，这样我们就可以可视化并设定阈值cv.normalize(dist, dist, 0, 1.0, cv.NORM_MINMAX)cv.imshow('Distance Transform Image', dist)

6.膨胀图像：

"""我们对dist图像进行阈值，然后进行一些形态学操作(即膨胀)，以便从上述图像中提取峰值:"""_, dist = cv.threshold(dist, 0.4, 1.0, cv.THRESH_BINARY)#阈值函数# Dilate a bit the dist image 膨胀kernel1 = np.ones((3,3), dtype=np.uint8)dist = cv.dilate(dist, kernel1)#膨胀函数cv.imshow('Peaks', dist)

7.标记图像：

"""从每个blob中，然后我们在cv::findContours函数(找轮廓)的帮助下为分水岭算法创建一个种子/标记:"""dist_8u = dist.astype('uint8')#转换数组的数据类型# Find total markers 发现总标记contours, _ = cv.findContours(dist_8u, cv.RETR_EXTERNAL, cv.CHAIN_APPROX_SIMPLE)# Create the marker image for the watershed algorithm#为分水岭算法创建标记图像markers = np.zeros(dist.shape, dtype=np.int32)# Draw the foreground markers 绘制前景标记for i in range(len(contours)):cv.drawContours(markers, contours, i, (i+1), -1)# Draw the background marker 背景标记cv.circle(markers, (5,5), 3, (255,255,255), -1)markers_8u = (markers * 10).astype('uint8')cv.imshow('Markers', markers_8u)

8.最终可视化图像：

"""最后，我们可以应用分水岭算法，并将结果可视化:（分水岭算法是一种图像区域分割算法，它把位置接近，灰度值也接近的像素点连接起来形成一个封闭的区域。）"""cv.watershed(imgResult, markers)#mark = np.zeros(markers.shape, dtype=np.uint8)mark = markers.astype('uint8')#转换数组的数据类型mark = cv.bitwise_not(mark)"""bitwise_not是对二进制数据进行“非”操作，即对图像（灰度图像或彩色图像均可）每个像素值进行二进制“非”操作，~1=0，~0=1"""# uncomment this if you want to see how the mark# image looks like at that point#cv.imshow('Markers_v2', mark)# Generate random colorscolors = []for contour in contours:colors.append((rng.randint(0,256), rng.randint(0,256), rng.randint(0,256)))# Create the result imagedst = np.zeros((markers.shape[0], markers.shape[1], 3), dtype=np.uint8)# Fill labeled objects with random colors#用随机的颜色填充已标记的物体for i in range(markers.shape[0]):for j in range(markers.shape[1]):index = markers[i,j]if index > 0 and index <= len(contours):dst[i,j,:] = colors[index-1]# Visualize the final image 可视化最终的图像cv.imshow('Final Result', dst)cv.waitKey()