1 引言

最近有小伙伴咨詢如何用傳統方法進行多個石頭檢測分割演算法, 原文如下所示:
在這里插入圖片描述
嗯嗯,碰巧讓我這個問題,然而我碰巧學過影像處理的一些簡單知識.
我們都知道使用opencv可以快速進行影像的基本操作,那么我們就來嘗試解決這個問題吧.

2 解決方法

2.1 二值化

傳統影像分割,一般就是采用閾值分割的方法來區分前景物體和背景,這里使用全域閾值分割的方法來進行處理,方法如下:

img_file = "./sample.jpeg"
img1 = cv2.imread(img_file)
img  = cv2.resize(img1,(640,400))
gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
retval, bin_img = cv2.threshold(gray_img, 120, 255, cv2.THRESH_BINARY )

運行后的效果如下:
請添加圖片描述
上圖中,左側為原圖,右側為二值化后的結果圖.

2.2 去燥

觀測上圖,可以發現二值化后的影像還有很多噪聲,這里采用3X3中值濾波的方法進行去燥,代碼如下:

img_median = cv2.medianBlur(bin_img, 3)

運行效果如下:
請添加圖片描述
左側為3X3去燥前的二值圖,右側為使用3X3模板去燥后的結果圖,可以看出很多零散的孤立點都被濾除.

2.3 腐蝕

二值影像的腐蝕操作為將影像中的前景物體白色部分進行縮減細化，其運行結果圖比原圖的高亮區域更小,我們這里選用3X3的十字形kernel進行腐蝕操作.

代碼如下:

kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3))
erosion_img = cv2.erode(img_median, kernel, iterations=2)

結果如下:
請添加圖片描述
上圖中左側為 iterations=1的腐蝕結果圖,表示只進行1次腐蝕操作；右側為iterations=2的腐蝕結果圖,表示連續進行2次腐蝕操作. 可以看出經過腐蝕操作后,前景物體分割的更開了.

2.4 膨脹

影像膨脹是腐蝕操作的逆操作，類似于“領域擴張”，將影像中的高亮區域或白色部分進行擴張，其運行結果圖比原圖的高亮區域更大，線條變粗了.
我們觀察腐蝕后的影像,發現很多區域內會有一些空洞點,這時我們需要膨脹操作,來消除這些空洞點,
代碼如下:

dilatation_type = cv2.MORPH_ELLIPSE    
dilatation_size = 1
element = cv2.getStructuringElement(dilatation_type, 
           (2 * dilatation_size + 1, 2 * dilatation_size + 1),
           (dilatation_size, dilatation_size))
dilate_img = cv2.dilate(erosion_img, element,iterations=3)

運行結果如下:
請添加圖片描述
上圖為采用3X3橢圓kernel進行3次膨脹后的結果圖

2.5 查找輪廓

觀察膨脹后的影像,可以看出石頭已經被我們分成一個個連續的獨立的封閉區域,這時我們可以使用opencv的findContours函式來尋找對應區域的外輪廓,代碼如下:

contours, hierarchy = cv2.findContours(dilate_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
out_img = img.copy()
for contour in contours:
    cv2.drawContours(out_img, [contour, ], -1, (255 ,0, 255), 2)  # pink

結果如下:
請添加圖片描述

2.6 面積過濾

觀察上圖,我們的輸出會有一些錯檢,我們可以添加一些過濾條件,來進行過濾,有很多面積很小的區域被錯分割出來,這里采用面積來濾除部分錯檢,代碼如下:

for contour in contours:
    area = cv2.contourArea(contour)
    k = cv2.isContourConvex(contour)
    if  area>150:
        cv2.drawContours(img, [contour, ], -1, (0, 0, 255), 2)  # red