【HiSpark IPC DIY Camera试用连载 】第三篇 分水岭算法测试 - HarmonyOS技术社区 - 电子技术论坛 - 广受欢迎的专业电子论坛
分享 收藏 返回

[文章]

【HiSpark IPC DIY Camera试用连载 】第三篇 分水岭算法测试

0cd605e81c93d9e9f144d5d752be7932

本文测试一下分水岭算法,使用python调用opencv和numpy处理数据。
分水岭算法主要用于图像分段,通常是把一副彩色图像灰度化,然后再求梯度图,最后在梯度图的基础上进行分水岭算法,求得分段图像的边缘线。分水岭算法的思想来源于地形学,它将图像看作是地形学上被水覆盖的自然地貌,图像中的每一像素的灰度值表示该点的海拔高度,其每一个局部极小值及其影响区域称为集水盆地,两集水盆地的边界则为分水岭。通常描述分水岭变换有两种方法:一种是“雨滴法”,另一种方法是模拟“溢流”的过程。
分水岭的计算过程是一个迭代标注过程。分水岭比较经典的计算方法是L. Vincent提出的。在该算法中,分水岭计算分两个步骤,一个是排序过程,一个是淹没过程。首先对每个像素的灰度级进行从低到高排序,然后在从低到高实现淹没过程中,对每一个局部极小值在h阶高度的影响域采用先进先出(FIFO)结构进行判断及标注。
首先我们画几个图形,如下图
2.jpg
这是我随手画的,使用的win10的画图工具。我们编程实现图形边界的识别。分水岭简单来说,就是识别图像轮廓的一种算法,好在python中已经实现了该算法。分水岭算法是使用很多算法叠加的总和,python的简单之处在此可见一斑。
  1. def getStructuringElement(shape: Any,   # 形状
  2.                       ksize: Any,       # kernel尺寸
  3.                       anchor: Any = None) -> None
该函数用于获取结构化元素,然后可以进行形态学的操作,比如开闭运算,膨胀腐蚀等。其中的两个参数,一个是原始图像,一个是核。核这个东西就不介绍了,原理不复杂,一说一大堆。
  1. def morphologyEx(src: Any,
  2.                  op: Any,
  3.                  kernel: Any,
  4.                  dst: Any = None,
  5.                  anchor: Any = None,
  6.                  iterations: Any = None,
  7.                  borderType: Any = None,
  8.                  borderValue: Any = None) -> None
该函数用于形态学滤波,其参数在代码中都列出来了的。
  1. def dilate(src: Any,
  2.            kernel: Any,
  3.            dst: Any = None,
  4.            anchor: Any = None,
  5.            iterations: Any = None,
  6.            borderType: Any = None,
  7.            borderValue: Any = None) -> None
该函数用于图像的膨胀操作,通过相邻像素范围内的局部极大运算来膨胀一张图片,从参数src输入,dst输出,其中第二个参数就是前面的核。
  1. def distanceTransform(src: Any,
  2.                       distanceType: Any,
  3.                       maskSize: Any,
  4.                       dst: Any = None,
  5.                       dstType: Any = None) -> None
上面函数是二值化函数,用于对图像的二值化操作,这是个常用函数。图像二值化是将图像上的像素点的灰度值设置为0或255,也就是将整个图像呈现出明显的黑白效果的过程。
  1. def subtract(src1: Any,
  2.              src2: Any,
  3.              dst: Any = None,
  4.              mask: Any = None,
  5.              dtype: Any = None) -> None
该函数为图像相减操作,是将二值化的图像使用相应位置的像素进行相减操作。
  1. def watershed(image: Any,
  2.               markers: Any) -> None
该函数是分水岭的基本函数,算法使用效果主要就是该函数完成,其参数在代码的注释中已经标注出来了。其效果如下图所示,在圆形的边界位置,已经用细小的红线在绘制出识别区域。 1.jpg

源代码如下
  1. # -*- coding: utf-8 -*-

  2. import cv2
  3. import numpy as np

  4. camera = cv2.VideoCapture(0)

  5. # 判断视频是否打开
  6. if (camera.isOpened()):
  7.     print('Open')
  8. else:
  9.     print('摄像头未打开')

  10. # 测试用,查看视频size
  11. size = (int(camera.get(cv2.CAP_PROP_FRAME_WIDTH)),
  12.         int(camera.get(cv2.CAP_PROP_FRAME_HEIGHT)))
  13. print('size:' + repr(size))


  14. while True:
  15.     # 读取视频流
  16.     grabbed, frame_lwpCV = camera.read()
  17.     gray_lwpCV = cv2.cvtColor(frame_lwpCV, cv2.COLOR_BGR2GRAY)
  18.     ret, binary = cv2.threshold(gray_lwpCV, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)  # 二值化
  19.     cv2.imshow("binary_image", binary)
  20.     kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))  # 产生一个kernel
  21.     '''
  22.     def getStructuringElement(shape: Any,   # 形状
  23.                           ksize: Any,       # kernel尺寸
  24.                           anchor: Any = None) -> None
  25.     '''
  26.     mb = cv2.morphologyEx(binary, cv2.MORPH_OPEN, kernel, iterations=2)  # 形态学操作
  27.     '''
  28.     def morphologyEx(src: Any,          # 原图像
  29.                  op: Any,               # 操作类型
  30.                                         # MORPH_ERODE    = 0, //腐蚀
  31.                                         # MORPH_DILATE   = 1, //膨胀
  32.                                         # MORPH_OPEN     = 2, //开操作
  33.                                         # MORPH_CLOSE    = 3, //闭操作
  34.                                         # MORPH_GRADIENT = 4, //梯度操作
  35.                                         # MORPH_TOPHAT   = 5, //顶帽操作
  36.                                         # MORPH_BLACKHAT = 6, //黑帽操作
  37.                                         # MORPH_HITMISS  = 7  
  38.                  kernel: Any,           # 用于膨胀操作的结构元素,kernel
  39.                  dst: Any = None,
  40.                  anchor: Any = None,    # 参考点
  41.                  iterations: Any = None,
  42.                  borderType: Any = None,
  43.                  borderValue: Any = None) -> None
  44.     MORPH_OPEN(开),内部就是进行了先腐蚀后膨胀的操作。
  45.     MORPH_CLOSE(闭),其实内部就是进行了先膨胀后腐蚀的操作。
  46.     MORPH_GRADIENT(梯度),内部是膨胀减去腐蚀。
  47.     '''
  48.     sure_bg = cv2.dilate(mb, kernel, iterations=3)  # 对输入图像用特定结构元素进行膨胀操作
  49.     '''
  50.     def dilate(src: Any,
  51.            kernel: Any,
  52.            dst: Any = None,
  53.            anchor: Any = None,
  54.            iterations: Any = None,
  55.            borderType: Any = None,
  56.            borderValue: Any = None) -> None
  57.     '''
  58.     cv2.imshow("mor_opt", sure_bg)

  59.     # 距离变换
  60.     dist = cv2.distanceTransform(mb, cv2.DIST_L2, 3)  # 距离变换
  61.     '''
  62.     def distanceTransform(src: Any,         # 二值化图像
  63.                       distanceType: Any,    # 计算距离的类型,CV_DIST_L1、CV_DIST_L2 、CV_DIST_C
  64.                       maskSize: Any,        # 距离变换掩码矩阵的大小
  65.                       dst: Any = None,
  66.                       dstType: Any = None) -> None
  67.     '''
  68.     dist_output = cv2.normalize(dist, 0, 1.0, cv2.NORM_MINMAX)
  69.     cv2.imshow("distance_t", dist_output * 50)
  70.     ret, surface = cv2.threshold(dist, dist.max() * 0.6, 255, cv2.THRESH_BINARY)
  71.     cv2.imshow("surface_bin", surface)
  72.     surface_fg = np.uint8(surface)
  73.     unknown = cv2.subtract(sure_bg, surface_fg)  # 图像的相减操作
  74.     '''
  75.     def subtract(src1: Any,
  76.              src2: Any,
  77.              dst: Any = None,
  78.              mask: Any = None,  # 可选操作掩码; 这是一个8位单通道数组,用于指定要更改的输出数组的元素。
  79.              dtype: Any = None) -> None # 输出阵列的可选深度
  80.     '''
  81.     ret, markers = cv2.connectedComponents(surface_fg)  # 连通域标识
  82.     '''
  83.     def connectedComponents(image: Any,             # image是threshold得到的二值图
  84.                         labels: Any = None,
  85.                         connectivity: Any = None,
  86.                         ltype: Any = None) -> None
  87.     '''
  88.     print(ret)

  89.     # 分水岭
  90.     markers = markers + 1
  91.     markers[unknown == 255] = 0
  92.     markers = cv2.watershed(frame_lwpCV, markers=markers)
  93.     '''
  94.     def watershed(image: Any,
  95.               markers: Any) -> None
  96.     第二个入参markers必须包含了种子点信息。
  97.     在执行分水岭函数watershed之前,必须对第二个参数markers进行处理,它应该包含不同区域的轮廓,
  98.     每个轮廓有一个自己唯一的编号,轮廓的定位可以通过Opencv中findContours方法实现,这个是执行
  99.     分水岭之前的要求。接下来执行分水岭会发生什么呢?算法会根据markers传入的轮廓作为种子(也就是
  100.     所谓的注水点),对图像上其他的像素点根据分水岭算法规则进行判断,并对每个像素点的区域归属进行划
  101.     定,直到处理完图像上所有像素点。而区域与区域之间的分界处的值被置为“-1”,以做区分。
  102.     '''
  103.     frame_lwpCV[markers == -1] = [0, 0, 255]
  104.     cv2.imshow("result_image", frame_lwpCV)

  105.     key = cv2.waitKey(1) & 0xFF
  106.     # 按'q'健退出循环
  107.     if key == ord('q'):
  108.         break

  109. # When everything done, release the capture
  110. camera.release()
  111. cv2.destroyAllWindows()












    main.py (2021-1-21 23:38 上传)

    5.26 KB, 下载次数: 0

更多回帖

×
发帖