这节课小木给大家来介绍一下啥叫分水岭算法。书上写着，算法叫做分水岭是因为它里面有水的概念。我们把图像的低密度区域想象成山谷，图像高密度区域我们想象成山峰。接下来我们往山谷里面注水，然后这些水在山峰之间开始汇聚，等一开始汇聚，我们就用一个水坝给阻挡了，阻挡的东西就叫做分割线。我们最后把所有水坝挑出来，作为图像分割的依据。具体的推导过程我下几节课会给大家讲解，这节课还是一样，教的是怎么用。
首先，我们导入一张图片：
图1
还是小熊。如果大家觉得烦了的话，不要着急，因为我们讲到人脸识别的时候，我会换成本人的帅照的，哈哈哈哈哈哈！
接下来我们把图片转换为灰度图：
图2
然后我们利用大津算法把灰度图二值化处理。这里简单说一下啥叫大津算法。它有一个优化函数，然后我们从1这个数字开始，把大于1的分为一组，小于等于1的分为另一组。我们把所有组数据带入优化函数中，得到一个数据。然后我们把1+1=2，然后把大于2的分为1组，其余的分为另一组，再算得到一个优化数据。最后我们会得到254组优化数据，我们看一眼哪个值最优就选哪个值作为二值化的阈值。
图3
我们二值化之后，我们进行一下先开后闭运算来去除噪声。
图4
之后，我们膨胀操作，提取部分的背景区域
图5
背景提取之后，我们还有前景区域。我们运用距离变换法莱提取。在我们腐蚀膨胀后的图3中，越是远离背景区域的边界点越可能是前景。我们应用一个阈值来进行选择，一般选取CV_DIST_L2，也就是欧氏距离（直角坐标点之间的距离），还有一个参数是蒙版选择，数值为3，也就是一个，也就是一个3*3的蒙版。具体的算法细节流程我在这里面不介绍，等下次课统一介绍，以免大家看着懵B。我们把腐蚀膨胀得到的图片，也就是图3，带入到距离变换算法中，计算出可能的前景。
图6
在前后景的计算完毕后，我们看图5和图6会发现，背景和前景有好多重合的部分，那么我们需要去除重合的部分。方法是用背景-前景。就是把背景的矩阵里面，既在背景中，又在前景中的地方，也就是它们的交集作为未知的区域。这样背景中的重合部分就被去掉了。最后区分出来的背景和前景如下图所示。
图7
因为前景部分有些是相连的有些是不相连的，所以我们设定刚才我们说的水坝，把所有的前景图片给分割开来，并且将前景的值设定为-1。
接着我们把背景值设定为1，最后把它们的交集设定为0。
设定之后，我们就开始注水了。往前景注水，也就是为-1的地方注水。水满了的区域就是我们的前景了。
代码如下：
#导入类库
import numpy as np
import cv2
from matplotlib import pyplot as plt
#导入图片
img = cv2.imread('D:/xiaomu/opencv1-1.png')
#转换为灰度图
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#二值化处理
ret, thresh = cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)
# 去除噪声
kernel = np.ones((5,5))
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel)
opening=cv2.morphologyEx(opening,cv2.MORPH_CLOSE,kernel)
#提取部分背景区域
sure_bg = cv2.dilate(opening,kernel,iterations=5)
#提取部分前景区域
dist_transform = cv2.distanceTransform(opening,cv2.DIST_L2,3)
ret, sure_fg = cv2.threshold(dist_transform,0.1*dist_transform.max(),255,0)
cv2.imshow("orgin",sure_fg)
#找到前景背景的交集
sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg,sure_fg)
#画水坝
ret, markers = cv2.connectedComponents(sure_fg)
#cv2.imshow("orgin",markers)
#令背景为1
markers = markers+1
#令未知区域为0
markers[unknown==255] = 0
#注水
markers = cv2.watershed(img,markers)
img[markers == -1] = [255,0,0]
#显示图像
plt.imshow(img)
plt.show()
#等待按键退出
cv2.waitKey()
cv2.destroyAllWindows()结果如下所示：
被红色线圈包裹的地方就是前景，我们这张图用分水岭算法的话，需要调整的参数太多了，很难实现，所以用GRABCUT算法才是解决问题的最好算法。
下一节我们讲讲这两种方法是如何实现的。
———————————————
如果对我的课程感兴趣的话，欢迎关注小木希望学园-微信公众号：
mutianwei521
也可以扫描二维码哦！
