OpenCV 之 图像分割 (一)

1  基于阈值

1.1  灰度阈值化

灰度阈值化，是最简单，速度最快的图像分割方法，广泛用于硬件图像处理领域 (例如，基于 FPGA 的实时图像处理等)。

设输入图像 $f$，输出图像 $g$，则阈值化公式为：

$\quad g(i, j) = \begin{cases} 1 & \text{当 f(i, j) ≥ T 时} \\0 & \text{当 f(i, j) < T 时} \\ \end{cases} $

即，遍历图像中所有像素，当像素值 $f (i, j) ≥ T$ 时，分割后的图像元素 $g (i, j)$ 是物体像素，否则为背景像素。

当各物体不接触，且 物体和背景的灰度值差别比较明显 时，灰度阈值化是非常合适的分割方法。

1.2  固定阈值化

固定阈值化函数为 threshold，如下：

double cv::threshold (
    InputArray　　src,　　 // 输入图像 (单通道，8位或32位浮点型)
    OutputArray　　dst,　　// 输出图像 (大小和类型，都同输入)
    double　　　　thresh,　// 阈值
    double　　　　maxval,　// 最大灰度值(使用 THRESH_BINARY 和 THRESH_BINARY_INV类型时)
    int　　　　　　type　　 // 阈值化类型(THRESH_BINARY, THRESH_BINARY_INV; THRESH_TRUNC; THRESH_TOZERO, THRESH_TOZERO_INV)
)

1) THRESH_BINARY

$\qquad dst(x, y) = \begin{cases} maxval & \text{if src(x, y) > thresh} \\0 & \text{otherwise} \\ \end{cases} $

2) THRESH_TRUNC

$\qquad dst(x, y) = \begin{cases} threshold & \text{if src(x, y) > thresh} \\src(x, y) & \text{otherwise} \\ \end{cases} $

3) THRESH_TOZERO

$\qquad dst(x, y) = \begin{cases} src(x, y) & \text{if src(x, y) > thresh} \\0 & \text{otherwise} \\ \end{cases} $

1.3  自适应阈值化

整幅图像使用同一个阈值做二值化，对于一些情况并不适用，尤其是当图像中的不同区域，照明条件各不相同时。这种情况下，就需要自适应阈值算法，该算法可根据像素所在的区域，来确定一个适合的阈值。因此，对于一幅图中光照不同的区域，可取各自不同的阈值做二值化。

OpenCV 中，自适应阈值化函数为 adaptiveThreshold()，如下：

void cv::adaptiveThreshold (
    InputArray      src,       //
    OutputArray     dst,       //
    double   maxValue,         //
    int      adaptiveMethod,   // 自适应阈值算法，目前有 ADAPTIVE_THRESH_MEAN_C 和 ADAPTIVE_THRESH_GAUSSIAN_C 两种
    int      thresholdType,    // 阈值化类型，同 threshold() 中的 type
    int      blockSize,        // 邻域大小
    double   C                 //
)     

1.4  示例

1）阈值化类型和阈值可选的代码示例，摘自 OpenCV 例程，略作修改

#include "opencv2/imgproc.hpp"
#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"

using namespace cv;

int threshold_value = ;
int threshold_type = ;
int const max_value = ;
int const max_type = ;
int const max_BINARY_value = ;

Mat src, src_gray, dst;
const char* window_name = "Threshold Demo";

const char* trackbar_type = "Type: \n 0: Binary \n 1: Binary Inverted \n 2: Truncate \n 3: To Zero \n 4: To Zero Inverted";
const char* trackbar_value = "Value";

void Threshold_Demo(int, void*);

int main( int, char** argv )
{
  // 读图
  src = imread("Musikhaus.jpg",IMREAD_COLOR);
  if( src.empty() )
      return -;

  // 转化为灰度图
  cvtColor( src, src_gray, COLOR_BGR2GRAY );
  // 显示窗口
  namedWindow( window_name, WINDOW_AUTOSIZE );
  // 滑动条 - 阈值化类型
  createTrackbar( trackbar_type, window_name, &threshold_type,max_type,Threshold_Demo);
  // 滑动条 - 阈值
  createTrackbar( trackbar_value,window_name, &threshold_value,max_value,Threshold_Demo);

  Threshold_Demo(, );

  waitKey();
}

void Threshold_Demo(int, void*)
{
    /* 0: Binary
    1: Binary Inverted
    2: Threshold Truncated
    3: Threshold to Zero
    4: Threshold to Zero Inverted
    */
    threshold(src_gray, dst, threshold_value, max_BINARY_value, threshold_type);
    imshow(window_name, dst);
}

2）全局阈值和自适应阈值的比较，代码如下：

#include <opencv2/core.hpp>
#include <opencv2/imgproc.hpp>
#include <opencv2/highgui.hpp>

using namespace cv;

int main()
{
    // read an image
    Mat img = imread("sudoku.png");
    cvtColor(img,img,COLOR_BGR2GRAY);

    // adaptive
    Mat dst1, dst2, dst3;
    threshold(img, dst1, , , THRESH_BINARY);
    adaptiveThreshold(img, dst2, ,ADAPTIVE_THRESH_MEAN_C ,THRESH_BINARY,,);
    adaptiveThreshold(img, dst3, ,ADAPTIVE_THRESH_GAUSSIAN_C ,THRESH_BINARY,,);

    // show images
    imshow("img", img);
    imshow("threshold", dst1);
    imshow("mean_c", dst2);
    imshow("gauss_c", dst3);

    waitKey();
}

对比显示的结果为：

2  基于边缘

前一篇 <OpenCV 之 边缘检测> 中，介绍了三种常用的边缘检测算子： Sobel, Laplace 和 Canny 算子。

实际上，边缘检测的结果是一个个的点，并不能作为图像分割的结果，必须采用进一步的处理，将边缘点沿着图像的边界连接起来，形成边缘链。

2.1  轮廓函数

OpenCV 中，可在图像的边缘检测之后，使用 findContours 寻找到轮廓，该函数参数如下：

image 一般为二值化图像，可由 compare, inRange, threshold , adaptiveThreshold, Canny 等函数来获得；

hierarchy 为可选的参数，如果不选择该参数，则可得到 findContours 函数的第二种形式；

// 形式一
void findContours (
    InputOutputArray      image,       // 输入图像
    OutputArrayOfArrays   contours,    // 检测到的轮廓
    OutputArray           hierarchy,   // 可选的输出向量
    int       mode,            // 轮廓获取模式 (RETR_EXTERNAL, RETR_LIST, RETR_CCOMP,RETR_TREE, RETR_FLOODFILL)
    int       method,          // 轮廓近似算法 (CHAIN_APPROX_NONE, CHAIN_APPROX_SIMPLE, CHAIN_APPROX_TC89_L1, CHAIN_APPROX_TC89_KCOS)
    Point     offset = Point() // 轮廓偏移量
)
// 形式二
void findContours ( 
　　InputOutputArray 　　image, 
　　OutputArrayOfArrays contours, 
　　int 　　　mode, 
　　int　　　 method, 
　　Point 　 offset = Point()
)

drawContours 函数参数如下：

void drawContours (
    InputOutputArray     image,         // 目标图像
    InputArrayOfArrays   contours,      // 所有的输入轮廓
    int              　contourIdx,      //
    const Scalar &     color,           //  轮廓颜色
    int          thickness = ,         //  轮廓线厚度
    int          lineType = LINE_8,     //
    InputArray   hierarchy = noArray(), //
    int          maxLevel = INT_MAX,    //
    Point        offset = Point()       //
)     

2.2  例程

  代码摘自 OpenCV 例程，略有修改

#include "opencv2/imgcodecs.hpp"
#include "opencv2/highgui.hpp"
#include "opencv2/imgproc.hpp"

using namespace cv;
using namespace std;

Mat src,src_gray;
int thresh = ;
int max_thresh = ;
RNG rng();

void thresh_callback(int, void* );

int main( int, char** argv )
{
  // 读图
  src = imread("Pillnitz.jpg", IMREAD_COLOR);
  if (src.empty())
      return -;

  // 转化为灰度图
  cvtColor(src, src_gray, COLOR_BGR2GRAY );
  blur(src_gray, src_gray, Size(,) );

  // 显示
  namedWindow("Source", WINDOW_AUTOSIZE );
  imshow( "Source", src );

  // 滑动条
  createTrackbar("Canny thresh:", "Source", &thresh, max_thresh, thresh_callback );

  // 回调函数
  thresh_callback( ,  );

  waitKey();
}

// 回调函数
void thresh_callback(int, void* )
{
  Mat canny_output;
  vector<vector<Point> > contours;
  vector<Vec4i> hierarchy;

  // canny 边缘检测
  Canny(src_gray, canny_output, thresh, thresh*, );

  // 寻找轮廓
  findContours( canny_output, contours, hierarchy, RETR_TREE, CHAIN_APPROX_SIMPLE, Point(, ) );

  Mat drawing = Mat::zeros( canny_output.size(), CV_8UC3);

  // 画出轮廓
  for( size_t i = ; i< contours.size(); i++ ) {
      Scalar color = Scalar( rng.uniform(, ), rng.uniform(,), rng.uniform(,) );
      drawContours( drawing, contours, (int)i, color, , , hierarchy, , Point() );
  }

  namedWindow( "Contours", WINDOW_AUTOSIZE );
  imshow( "Contours", drawing );
}

以 Dresden 的 Schloss Pillnitz 为源图，输出如下：

参考资料

OpenCV Tutorials / imgproc module / Basic Thresholding Operations

OpenCV Tutorials / imgproc module / Finding contours in your image

OpenCV-Python Tutorials / Image Processing in OpenCV / Image Thresholding

<图像处理、分析与机器视觉>_第3版  第 6 章

Topological structural analysis of digitized binary images by border following [J], Satoshi Suzuki, 1985

更新记录

2020年4月26日，增加 “1.3  自适应阈值化” 和 “1.4 示例 - 自适应阈值代码”