二值化

所谓图像分割，就是将图像的目标和背景分离开来，更直观一点，就是把目标涂成白色，背景涂成黑色，言尽于此，是不是恍然大悟：这不就是二值化么？

【threshold]是此前提到的二值化函数，但只讲解了固定阈值分割模式，而并未讲解其自动分割的OTSU模式。

【adaptiveThreshold】是opencv提供的自适应阈值函数，可根据不同的卷积核来对局部进行二值化，可以更加细致地得到物体边缘。

OTSU算法，mean核，高斯核的分割结果如下图所示，其中150是手动设置的分割阈值；100是OTSU自动计算出的分割阈值。

提示说图像违规，也不知道哪违规了。

代码如下

import numpy as np
import matplotlib.pyplot as plt
from scipy.misc import ascent
import cv2

path = 'coins.jpg'

coins = {}
coins["original"] = plt.imread(path)
coins["gray"] = cv2.cvtColor(coins["original"],cv2.COLOR_RGB2GRAY)

_, coins['th150'] = cv2.threshold(coins["gray"], 150, 255, 
    cv2.THRESH_BINARY)
th, bImg = cv2.threshold(coins["gray"], 0, 255,
    cv2.THRESH_BINARY+cv2.THRESH_OTSU)
coins[f'otsu({th})'] = bImg


method = {"mean":cv2.ADAPTIVE_THRESH_MEAN_C,
          "gaussian":cv2.ADAPTIVE_THRESH_GAUSSIAN_C}
for key in method:
    coins[key] = cv2.adaptiveThreshold(coins["gray"], 255,
        method[key], cv2.THRESH_BINARY, 11, 2)

for i,key in enumerate(coins,1):
    plt.subplot(2,3,i)
    plt.imshow(coins[key], cmap='gray')
    plt.title(key)
    plt.axis('off')

plt.show()

图像骨骼

如果把二值图像理解成地形，黑色表示海洋，白色表示陆地，那么陆地上任意一点，到海洋都有一个最近的距离，如下图所示。由于硬币图案的颜色并不完全一致，所以在二值化时可能会出现不一致的情况，为此，需要通过腐蚀或者膨胀等形态学处理，将其内部涂抹均匀，从而得到一张目标与背景完全分割的图像，此即【dilate】图。对dilate图而言，【dist-bg】为其黑色区域的骨骼；【dist-fg】为白色区域的骨骼。

实现代码如下

import numpy as np
import matplotlib.pyplot as plt
from scipy.misc import ascent
import cv2

bImg = coins[f'otsu({th})']

kernel = np.ones((5,5),np.uint8)
coins["dilate"] = cv2.dilate(coins[f'otsu({th})'], kernel)
coins["dist-fg"] = cv2.distanceTransform(
    coins["dilate"], cv2.DIST_L2,5)
coins["dist-bg"] = cv2.distanceTransform(
    255-coins["dilate"], cv2.DIST_L2,5)

keys = ['dilate', 'dist-bg', 'dist-fg']
for i,key in enumerate(keys,1):
    plt.subplot(1,3,i)
    plt.imshow(coins[key], cmap='gray')
    plt.title(key)
    plt.axis('off')

plt.show()

【distanceTransform】函数的功能是，计算当前像素点到零像素点的最短距离，其输入参数有三，分别是输入的二值图像；求解距离的类型，以及掩膜尺寸，一般可设为3或者5。

在一张图像中，两点之间的距离有多种计算方式，比如

• $a$ 水平和数竖直方向的变化量
• $b$ 对角方向的变化量
• $c$ 条约移动的变化量

距离变换函数综合了这三种距离，根据各种距离的权重不同，提供了下面几种不同的距离类别

distanceType	maskSize	参数
CV_DIST_C	3$(3\times 3)$	$a=1,b=1$
CV_DIST_L1	3$(3\times 3)$	$a=1,b=2$
CV_DIST_L2	3$(3\times 3)$	$a=0.955,b=1.3693$
CV_DIST_L2	5$(5\times 5)$	$a=1,b=1.4,c=2.1969$

连通域分割

所谓连通域，即Connected Component，是一组彼此相连的像素点的集合，这些像素点彼此之间可以假设一条互相链接的路径，路径上所有像素的灰度一致，或者符合某个特定的条件。

通过连通域分割，可以将图像中不同的目标区分开来，为进一步的处理打下基础，最常用的连通域滤波流程大致如下：图像灰度化->二值化->形态学处理->标记连通域，其前面的几个步骤已经在二值化以及距离变换中得以体现，其生成标签的结果如下图所示

其中，dilate是膨胀二值图。对其进行连通域分割，得到labels图像，其中每一枚硬币所在区域，都被分配到了一个编号，即Label，最后的三维图，便是这张图像的标签值。

处理和绘图代码如下

ret, coins["labels"] = cv2.connectedComponents(coins["dilate"])

for i,key in enumerate(['dilate', 'labels'],1):
    plt.subplot(1,3,i)
    plt.imshow(coins[key], cmap='gray')
    plt.title(key)
    plt.axis('off')

ax = plt.subplot(133, projection='3d')
ys, xs = np.indices(coins['labels'].shape)
ax.plot_surface(xs, ys, coins['labels'])
plt.title("labels")
plt.show()

【connectedComponents】是opencv提供的连通域分割函数，其必不可少的输入参数是一个二值图像，此外还有两个整型参数，分别用于规定邻域形式和输出的Labels类型。其中，邻域形式主要分为4-邻域和8邻域，前者把当前像素的上下左右四个像素算作邻域，换言之，这四个像素与当前像素是连通的；8-邻域则将一个像素周围的8个像素视作邻域。