OpenCV学习之图像的分割与修复详解

目录

• 背景
• 一、分水岭法
• 二、GrabCut法
• 三、MeanShift法
• 四、MOG前景背景分离法
• 五、拓展方法
• 六、图像修复
• 总结

背景

图像分割本质就是将前景目标从背景中分离出来。在当前的实际项目中，应用传统分割的并不多，大多是采用深度学习的方法以达到更好的效果；当然，了解传统的方法对于分割的整体认知具有很大帮助，本篇将介绍些传统分割的一些算法；

一、分水岭法

原理图如下：

利用二值图像的梯度关系，设置一定边界，给定不同颜色实现分割；

实现步骤：

标记背景 —— 标记前景 —— 标记未知区域（背景减前景） —— 进行分割

函数原型：

watershed（img，masker）：分水岭算法，其中masker表示背景、前景和未知区域；

distanceTransform（img，distanceType，maskSize）：矩离变化，求非零值到最近的零值的距离；

connectedComponents（img，connectivity，…）：求连通域；

代码实现：

img = cv2.imread('water_coins.jpeg')
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
# 加入cv2.THRESH_OTSU表示自适应阈值（实现更好的效果）
ret, thresh = cv2.threshold(gray, 100, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)

# 开运算（去噪点）
kernel = np.ones((3,3), np.int8)
open1 = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations = 2)
#膨胀
beijing = cv2.dilate(open1, kernel, iterations = 1)
# 获取前景
tmp = cv2.distanceTransform(open1, cv2.DIST_L2, 5)
ret, qianjing = cv2.threshold(tmp, 0.7*tmp.max(), 255, cv2.THRESH_BINARY)
# 获取未知区域
beijingj = np.uint8(beijing)
qianjing = np.uint8(qianjing)
unknow = cv2.subtract(beijing, qianjing)
# 创建连通域
ret, masker = cv2.connectedComponents(qianjing)
masker = masker + 1
masker[unknow==255] = 0
# 进行图像分割
result = cv2.watershed(img, masker)
img[result == -1] = [0, 0, 255]

cv2.imshow('result', img)
cv2.waitKey(0)

二、GrabCut法

原理：通过交互的方式获得前景物体；

1、用户指定前景的大体区域，剩下的为背景区域；

2、用户可以明确指定某些地方为前景或背景；

3、采用分段迭代的方法分析前景物体形成模型树；

4、根据权重决定某个像素是前景还是背景；

函数原型：

grabCut（img，mask，rect，bgdModel，fbgModel，5，mode）

mask：表示生成的掩码，函数输出的值，其中0表示背景、1表示前景、2表示可能背景、3表示可能前景；

代码如下：

class App:

  flag_rect = False
  rect=(0, 0, 0, 0)
  startX = 0
  startY = 0

  def onmouse(self, event, x, y, flags, param):

    if event == cv2.EVENT_LBUTTONDOWN:
      self.flag_rect = True
      self.startX = x
      self.startY = y
      print("LBUTTIONDOWN")
    elif event == cv2.EVENT_LBUTTONUP:
      self.flag_rect = False
      cv2.rectangle(self.img,
              (self.startX, self.startY),
              (x, y),
              (0, 0, 255),
              3)
      self.rect = (min(self.startX, x), min(self.startY, y),
            abs(self.startX - x),
            abs(self.startY -y))

      print("LBUTTIONUP")
    elif event == cv2.EVENT_MOUSEMOVE:
      if self.flag_rect == True:
        self.img = self.img2.copy()
        cv2.rectangle(self.img,
                (self.startX, self.startY),
                (x, y),
                (255, 0, 0),
                3)
      print("MOUSEMOVE") 

    print("onmouse")

  def run(self):
    print("run...")

    cv2.namedWindow('input')
    cv2.setMouseCallback('input', self.onmouse)

    self.img = cv2.imread('./lena.png')
    self.img2 = self.img.copy()
    self.mask = np.zeros(self.img.shape[:2], dtype=np.uint8)
    self.output = np.zeros(self.img.shape, np.uint8)

    while(1):
      cv2.imshow('input', self.img)
      cv2.imshow('output', self.outwww.cppcns.comput)
      k = cv2.waitKey(100)
      if k == 27:
        break

      if k == ord('g'):
        bgdmodel = np.zeros((1, 65), np.www.cppcns.comfloat64)
        fgdmodel = np.zeros((1, 65), np.float64)
        cv2.grabCut(self.img2, self.mask, self.rect,
              bgdmodel, fgdmodel,
              1,
              cv2.GC_INIT_WITH_RECT)
      # 注意np.where的用法可以用来筛选前景
      mask2 = np.where((self.mask==1)|(self.mask==3), 255, 0).astype('uint8')
      self.output = cv2.bitwise_and(self.img2, self.img2, mask=mask2)

由于效果并不是特别明显，并且运行时耗时会比较长，在这里就不展示了；

注意：np.where的用法需要掌握，可以将一个矩阵中选定的值与未选定的值做二值化的处理；

三、MeanShift法

实现原理：

并不是用来进行图像分割的，而是在色彩层面的平滑滤波；

中和色彩分布相近的颜色，平滑色彩细节，腐蚀掉面积较小的颜色区域；

以图像上任意点P为圆心，半径为sp，色彩幅值为sr进行不断的迭代；

函数原型：

pyrMeanShiftFiltering（img，sp，sr，…）

代码实现：

img = cv2.imread('flower.png')
result = cv2.pyrMeanShiftFiltering(img, 20, 30)

cv2.imshow('img', img)
cv2.imshow('result', result)
cv2.waitKey(0)

通过该函数可以实现色彩的平滑处理，做特效也是不错的（有种卡通化的效果），虽然该函数并不能直接做图像分割，但处理后的图像可以通过canny算法进行边缘检测；

Canny代码：

img = cv2.imread('key.png')
result = cv2.pyrMeanShiftFiltering(img, 20, 30)

img_canny = cv2.Canny(result, 150, 300)
contours, _ = cv2.findContours(img_canny, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img, contours, -1, (0, 0, 255), 2)
cv2.imshow('img', img)
cv2.imshow('result', result)
cv2.imshow('canny', img_canny)
cv2.waitKey(0)

四、MOG前景背景分离法

首先需要了解视频的一些原理：

• 视频是一组连续帧组成的（一帧也可以看作一副图像）
• 帧与帧之间关系密切（又称为GOP）
• 在GOP中，背景几乎是不变的

主要有以下几种方法：

1、MOG去背景

原理：混合高斯模型为基础的前景、背景分割法；

函数原型：

createBackgroundSubtractorMOG（其中的默认值就不做讲解了）

代码实战：

cap = cv2.VideoCapture('./vtest.avi')
mog = cv2.bgsegm.createBackgroundSubtractorMOG()

while(True):
  ret, frame = 编程客栈cap.read()
  mask = mog.apply(frame)
 
  cv2.imshow('img', mask)
  k = cv2.waitKey(10)
  if k == 27:
    break
 
cap.release()
cv2.destroyAllWindows()

五、拓展方法

1、MOG2

说明：与MOG算法类似，但对于亮度产生的阴影有更好的识别效果，噪点更多；

函数原型：createBackgroundSubtractorMOG2（默认参数不作介绍）

效果展示：

2、GMG

说明：静态背景图像估计和每个像素的贝叶斯分割抗噪性更强；

函数原型：createBackgroundSubtractorGMG（）

效果展示：

总结：GMG开始会不显示一段时间，这是由于初始参考帧的数量和过大；对比业界的效果来看，这些传统方法的效果并不好，特别是对比深度学习的算法；但很多原理值得我们取思考借鉴，模型只是给出我们问题的优解，如果能将传统算法结合深度学习算法，那是否能在提速的同时，也达到一个可观的效果，这是我思考的一个点，欢迎大家发表自己的意见；

六、图像修复

说明：我们的图像往往会有一些马赛克的存在，特别是一些老照片会有不必要的图案，图像修复就是用于解决这类问题，并不等同于超清化；

函数原型：

inpaint（img，mask，inpaintRadius，两种方式：INPAINT_NS、INPAINT_TELEA）

代码案例：

img = cv2.imread('inpaint.png')
mask = cv2.imread('inpaint_mask.png', 0)

result = cv2.inpaint(img, mask, 5, cv2.INPAIeEycPrRFjTNT_TELEA)

cv2.imshow('img', img)
cv2.imshow('result', result)
cv2.waitKey()

总结：从结果来看，效果相当不错，但前提我们需要知道需要修复的部分，所以应用的场景也会比较局限；

总结

简单介绍了一些传统的一些图像分割算法，并没有涉及原理，感兴趣的可以自行了解；当然，现在业界的分割算法都采用深度学习的方式了，并且也有了很好的效果和落地应用。

以上就是OpenCwww.cppcns.comV学习之图像的分割与修复详解的详细内容，更多关于OpenCV图像分割修复的资料请关注我们其它相关文章！