【OpenCV學習筆記 023】兩種圖像分割方法比較

【OpenCV學習筆記 023】兩種圖像分割方法比較

此次研究兩種圖像分割法，分别是基于形态學的分水嶺算法和基于圖割理論的GrabCut算法。OpenCV均提供了兩張算法或其變種。鑒于研究所需，記錄一些知識點，開發平台為OpenCV2.4.9+Qt5.3.2。

一、使用分水嶺算法進行圖像分割

分水嶺變換是一種常用的圖像處理算法，在網上很容易搜到詳細的原理分析。簡單來說，這是一種基于拓撲理論的數學形态學的圖像分割方法，其基本思想是把圖像看作是測地學上的拓撲地貌，圖像中每一點像素的灰階值表示該點的海拔高度，每一個局部極小值及其影響區域稱為集水盆，而集水盆的邊界則形成分水嶺。分水嶺的概念和形成可以通過模拟浸入過程來說明。在每一個局部極小值表面，刺穿一個小孔，然後把整個模型慢慢浸入水中，随着浸入的加深，每一個局部極小值的影響域慢慢向外擴充，在兩個集水盆彙合處構築大壩，即形成分水嶺。

分水嶺算法簡單，是以存在一些缺陷，如容易導緻圖像的過度分割。分水嶺算法對微弱邊緣具有良好的響應，圖像中的噪聲、物體表面細微的灰階變化，都會産生過度分割的現象。

為消除分水嶺算法産生的過度分割，有兩種正常的處理方法，一是利用先驗知識去除無關邊緣資訊。二是修改梯度函數使得集水盆隻響應想要探測的目标。

OpenCV提供了該算法的改進版本，使用預定義的一組标記來引導對圖像的分割，該算法是通過cv::watershed函數來實作的。

要實作分水嶺算法，首先建立一個類WaterShedSegmentation，在watershedsegmentation.h中添加：

接着，在watershedsegmentation.cpp中添加：

main函數修改如下：

效果1：算法識别出屬于前景和背景的像素（有誤差）。

效果2：組合前景和背景圖，形成标記圖形，這是分水嶺的輸入參數。

效果3：分割結果中，标記圖像得到更新。

效果4：顯示邊界圖像。

可以看出，分水嶺算法對微弱邊緣具有良好的響應，是得到封閉連續邊緣的保證的。但對于不同品質的圖像其分割效果不盡相同，但總的來說效果仍需要改進。

二、使用GrabCut算法分割圖像

GrabCut是另一種同樣較為流行的圖像分割算法。GrabCut是在GraphCut基礎上改進的一種圖像分割算法，它并非基于圖像形态學，而是基于圖割理論（參考：http://www.cnblogs.com/tornadomeet/archive/2012/11/06/2757585.html）。在使用GrabCut時，需要人工給定一定區域的目标或者背景，然後算法根據設定的參數來進行分割。GrabCut在計算時比分水嶺算法更加複雜，尤其适合從靜态圖像中提取前景照片的應用。

OpenCV中提供了cv::grabcut函數，是以隻需提供圖像并标記背景像素和前景像素，基于局部的标記，算法即可将圖像中的像素進行分割。在這裡使用的局部标記方法是定義一個矩形。cv::grabcut的函數定義如下：

在main函數添加：

效果：

在函數cv::grabCut中，最後一個參數表示我們使用的是包圍盒模式，而該算法支援的輸入/輸出分割圖像可以有四種數值，如函數cv::compare函數中的參數：

cv::GC_BGD：确定屬于背景的像素；

cv::GC_FGD：确定屬于前景的元素；

cv::GC_PR_BGD：可能屬于背景的元素；

cv::GC_PR_FGD：可能屬于前景的元素。

在上圖中，GrabCut算法通過指定方框區域來提取前景物體。同時，也可将數值cv::GC_BGD和cv::GC_FGD賦予分割圖像的某些特定像素，并且把這類分割圖像作為cv::grabcut函數的第二個參數（此時需要指定GC_INIT_WITH_MASK作為輸入模式）。

基于這些資訊，GrabCut通過以下主要步驟建立分割：

前景标簽(cv::GC_PR_FGD)被臨時賦予所有為标記的像素。基于目前的分類，算法将像素歸類為顔色或灰階值相似的聚類。

通過引入背景與前景像素的邊界進行分割。這個優化的過程嘗試将标簽相似的像素相連接配接，這裡利用了在強度相對已知的區域之間對邊界像素的（懲罰？）。這個最優化問題通過GraphCut算法得到高效解決。

對擷取的分割結果産生新的像素标簽，重複聚類過程，找到新的最優解。根據場景的複雜度，得到最佳結果，對于簡單的場景，有時隻需要一次疊代。

關于GrabCut算法，還需要進一步研究GraphCut才能深刻了解。