圖像分割(Image Segmentation)

作者：王先榮
前言
??? 圖像分割指的是將數字圖像細分為多個圖像子區域的過程，在OpenCv中實現了三種跟圖像分割相關的算法，它們分別是：分水嶺分割算法、金字塔分割算法以及均值漂移分割算法。它們的使用過程都很簡單，下面的文章權且用于記錄，并使該系列保持完整吧。
分水嶺分割算法
??? 分水嶺分割算法需要您或者先前算法提供標記，該標記用于指定哪些大致區域是目標，哪些大致區域是背景等等；分水嶺分割算法的分割效果嚴重依賴于提供的標記。OpenCv中的函數cvWatershed實現了該算法，函數定義如下：

void cvWatershed(const CvArr * image, CvArr * markers)

其中：image為8為三通道的彩色圖像；
????? markers是單通道整型圖像，它用不同的正整數來標記不同的區域，下面的代碼演示了如果響應鼠標事件，并生成標記圖像。

//當鼠標按下并在源圖像上移動時，在源圖像上繪制分割線條
private void pbSource_MouseMove(object sender, MouseEventArgs e)
{
//如果按下了左鍵
if (e.Button == MouseButtons.Left)
{
if (previousMouseLocation.X >= 0 && previousMouseLocation.Y >= 0)
{
Point p1 = new Point((int)(previousMouseLocation.X * xScale), (int)(previousMouseLocation.Y * yScale));
Point p2 = new Point((int)(e.Location.X * xScale), (int)(e.Location.Y * yScale));
LineSegment2D ls = new LineSegment2D(p1, p2);
int thickness = (int)(LineWidth * xScale);
imageSourceClone.Draw(ls, new Bgr(255d, 255d, 255d), thickness);
pbSource.Image = imageSourceClone.Bitmap;
imageMarkers.Draw(ls, new Gray(drawCount), thickness);
}
previousMouseLocation = e.Location;
}
}

//當松開鼠標左鍵時，將繪圖的前一位置設置為（-1，-1）
private void pbSource_MouseUp(object sender, MouseEventArgs e)
{
previousMouseLocation = new Point(-1, -1);
drawCount++;
}

?

?

??????? 您可以用類似下面的方式來使用分水嶺算法：

使用分水嶺分割算法

?

?

金字塔分割算法
??? 金字塔分割算法由cvPrySegmentation所實現，該函數的使用很簡單；需要注意的是圖像的尺寸以及金字塔的層數，圖像的寬度和高度必須能被2整除，能夠被2整除的次數決定了金字塔的最大層數。下面的代碼演示了如果校驗金字塔層數：

校驗金字塔分割的金字塔層數

?

?

使用金字塔分割的示例代碼如下：

使用金字塔分割算法

?

?

均值漂移分割算法
??? 均值漂移分割算法由cvPryMeanShiftFiltering所實現，均值漂移分割的金字塔層數只能介于[1,7]之間，您可以用類似下面的代碼來使用它：

使用均值漂移分割算法

?

?

??? 函數cvPryMeanShiftFiltering在EmguCv中沒有實現，我們可以用下面的方式來使用：

調用均值漂移分割

?

?

分割效果及性能對比
??? 上述三種分割算法的效果如何呢？下面我們以它們的默認參數，對一幅2272x1704大小的圖像進行分割。得到的結果如下所示：

圖1 分水嶺分割算法（左圖白色的線條用于標記區域）

圖2 金字塔分割算法

圖3 均值漂移分割算法
??? 從上面我們可以看出：
??? （1）分水嶺分割算法的分割效果效果最好，均值漂移分割算法次之，而金字塔分割算法的效果最差；
??? （2）均值漂移分割算法效率最高，分水嶺分割算法接近于均值漂移算法，金字塔分割算法需要很長的時間。
??? 值得注意的是分水嶺算法對標記很敏感，需要仔細而認真的繪制。

?

??? 本文的完整代碼如下：

本文完整代碼

?

?

感謝您耐心看完本文，希望對您有所幫助。

總結

以上是生活随笔為你收集整理的图像分割(Image Segmentation)的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。