一、背景

最近在学分水岭算法的opencv函数watershed()时，对函数执行完后image和marker的变化一无所知、懵懵懂懂。

于是便结合网上资料和自己现身说法，给大家分享一下【watershed函数的执行效果】。

OpenCV: Image Segmentation with Watershed Algorithm 

OpenCV: Image Segmentation

首先说明一点：

传入watershed函数的marker参数可以有三种成分：背景、不确定、前景（也即object）。

比如背景像素填充1，而object1填充2，不确定像素填充0。

下文的“种子数值”代表Object成分的编号。

因此，object1的种子数值是2。

二、直接给结论

watershed函数一旦执行，就会改变marker，但是image不变。

改变A：从基点开始向外填充种子数值，直到边界。

例如下面的第2个硬币对应的种子数值是2，原marker中只有硬币最中间才是填充了2

函数执行后，整个硬币所处区域全被填充2。

 

改变B：向外填充时，若即将与另一个山谷的积水相涉就停止扩展，最外围便是边界线，marker中的边界线区域填充-1。

还是以第二个硬币为例，第二个硬币的边界像素点填充-1。

也就是说，最后得到的marker想比原marker是更加完善的；原marker的object像素点只需要至少填充一个种子数值，而新marker是将object的所有像素全部填充种子数值，更加精确和点对点。

 

三、测试（现身说法）

测试用到的图片

测试用到的代码

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
 
def watershed_demo():
    # remove noise if any
    print(src.shape)
    blurred = cv.pyrMeanShiftFiltering(src, 10, 100)
    # gray\binary image
    gray = cv.cvtColor(blurred, cv.COLOR_BGR2GRAY)
    ret, binary = cv.threshold(gray, 0, 255, cv.THRESH_BINARY | cv.THRESH_OTSU)
    cv.imshow("binary-image", binary)
 
    # morphology operation
    kernel = cv.getStructuringElement(cv.MORPH_RECT, (3, 3))
    mb = cv.morphologyEx(binary, cv.MORPH_OPEN, kernel, iterations=2)
    sure_bg = cv.dilate(mb, kernel, iterations=3)
    cv.imshow("mor-opt", sure_bg)
 
    # distance transform
    dist = cv.distanceTransform(mb, cv.DIST_L2, 3)
    dist_output = cv.normalize(dist, 0, 1.0, cv.NORM_MINMAX)
    cv.imshow("distance-t", dist_output*50)
 
    ret, surface = cv.threshold(dist, dist.max()*0.6, 255, cv.THRESH_BINARY)
 
    surface_fg = np.uint8(surface)
    cv.imshow("surface-bin", surface_fg)
    unknown = cv.subtract(sure_bg, surface_fg)
    ret, markers = cv.connectedComponents(surface_fg)
 
    # watershed transform
    markers = markers + 1
    markers[unknown == 255] = 0
    print(type(markers))
    print(np.sum(markers==2))
    markers = cv.watershed(src, markers=markers)
    print(np.unique(markers))
    print(np.sum(markers==2))
    src[markers==-1] = [0, 0, 255]
    cv.imshow("result", src)
    markers = markers + 1
    plt.imshow(markers)
    plt.show()
 
 
src = cv.imread("D:\BaiduNetdiskDownload\pycv-learning\pythonProject\images\coins.jpg")
cv.namedWindow("input image", cv.WINDOW_AUTOSIZE)
cv.imshow("input image", src)
watershed_demo()
cv.waitKey(0)
cv.destroyAllWindows()

 

cv.imshow("surface-bin", surface_fg)的输出如下。

这十个白圆块的区域，对应marker填充种子数值的范围。

cv.imshow("result", src)的输出如下。

硬币的边界上绘制了一个红圈，正是利用了上文第二部分的改变B。

 

plt.imshow(markers)的输出如下。

我们可以看到新得到的marker真正做到对各个硬币进行像素级别的标注，不同硬币object对应不同填充色。