基于OpenCV的分水岭分割算法的及应用

基于ＯｐｅｎＣＶ的分水岭分割算法的研究及应用

［摘要］本文对基于形态学分水岭算法进行了深入的研究，并针对其存在的过分割问题对分水岭算

法提出改进：使用区域合并方法限制允许出现的区域的数目，这种改进的方法不仅可以很好地抑制

过分割问题，还能有效分割出图像中的感兴趣区域，以达到提取图像有效边缘信息的目的。将此方

法在ＯｐｅｎＣＶ下进行实验，结果表明这种方法可以有效清除干扰噪声及局部极小值，从而得到精确

的分割结果。

［关键词］分水岭算法；过分割；区域合并；ＯｐｅｎＣＶ

［中图分类号］ＴＰ３９１．４［文献标识码］Ａ［文章编号］１００８－１７８Ｘ（２０１２）１２－００２０－０３

燕杨１，２，王云吉２

（１．长春师范学院计算机科学与技术学院，吉林长春

１３００３２；２．吉林大学通信工程学院，吉林长春１３００２２）

［收稿日期］2012-07-16

［基金项目］吉林省科技发展计划项目青年科研基金（201201112）。

［作者简介］燕杨（１９８１－），女，吉林长春人，长春师范学院计算机科学与技术学院讲师，博士研究生，从事数字图像处理研究。第３１卷第１２期

Ｖｏｌ．３１Ｎｏ．１２长春师范学院学报（自然科学版）ＪｏｕｒｎａｌｏｆＣｈａｎｇｃｈｕｎＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ（ＮａｔｕｒａｌＳｃｉｅｎｃｅ）２０１２年１２月Ｄｅｃ．２０１２

１分水岭算法简介

分水岭算法是基于形态学的图像分割方法，其分割特点为定位精确和分割图像边缘准确，在图像分割领域得到了广泛的应用。在许多实际情况下，我们要分割图像，但无法从背景图像中获得有用信息。分水岭算法在这方面往往是有效的，该算法可以将图像中的边缘转化为“山脉”，将均匀区域转化为“山谷”以便分隔目标。分水岭算法先计算灰度图像的梯度，让亮度值低的点（山谷）、山脊对应的边缘（山头）同时形成，然后从指定点开始持续“灌注”盆地，直到这些区域链接在一起。这种方法产生的标记可以把各个区域合并到一起，合并后的区域又通过“聚集”的方式进行分割，好像图像被“填充”起来一样。与

指示点相连的盆地就为指示点“所拥有”

，从而得到被分割成相应的标记区域的图像。分水岭算法允许用户来标记目标某个部分为目标，或背景的某个部分为背景。用户也可以通过画一条简单的线，告知分水岭算法把这些点组合起来。分水岭算法就会通过“拥有”边沿定义的山谷来分割图像。

分水岭算法定位精确且分割细致，对微弱的物体边缘响应比较敏感，能确保得到目标区域封闭连续边缘。但物体表面一些细微的灰度变化以及图像中的噪声干扰等因素皆会导致对图像过度分割的产生，从而产生过多无用的边缘信息。

本文在对分水岭算法进行了深入的研究的基础上针对其过分割的问题提出改进：使用区域合并方法限制允许出现的区域的数目，这样不仅可以有效地抑制过分割问题，还能较好地分割出图像中的目标区域，以达到提取图像有效边缘信息的目的。

２原理

２．１分水岭传统方法

分水岭分割方法是基于拓扑理论的形态学分割方法，它的基本概念是将图像看成地形学上被水覆盖的自然地貌，图像中的每一点像素的灰度值表示这一点海拔的高度，其中每一个局部极小值和它所影响的区域称为集水盆，集水盆的边界形成了分水岭［１］；其思想和形成可以通过模拟“溢流”的过程来说明：首先，20··

在各个极小区域的底部打一个小孔，让水从孔中溢出，慢慢浸没极小区域周围的区域，这样各个极小区域所波及的范围就是相应的集水盆，各个不同区域的水相连时的边界，就是想要获取的分水岭［２］。

分水岭的经典算法是Ｌ．Ｖｉｎｃｅｎｔ提出的模拟沉浸算法，其计算过程是一个迭代标注过程。在这个算法中两个步骤，分别是排序过程和淹没过程［３］；首先对各个像素的灰度级进行低到高排序，然后在从低到高实施浸没的过程中，对各个局部极小值在ｈ阶－高度的影响域采用ＦＩＦＯ（先进先出）结构来进行判断和标注［４］。

设ｈｍｉｎ和ｈｍａｘ是灰度图像Ｉ的最低灰度和最高灰度，Ｔｈ（Ｉ）表示灰度值小于等于阈值ｈ的所有像素，即Ｔｈ（Ｉ）＝｛ｐ｜Ｉ（ｐ）≤ｈ｝。Ｍ１，Ｍ２，…，ＭＲ为图像中的局部最小点，即低洼。Ｃ（Ｍｉ）表示与低洼Ｍｉ相对应的集水盆地。Ｃｈ（Ｍｉ）表示Ｃ（Ｍｉ）的一个子集，它由该集水盆地中灰度值小于等于ｈ的所有像素组成，即Ｃｈ（Ｍｉ）＝Ｃ（Ｍｉ）∩Ｔｈ（Ｉ）。ｍｉｎｈ（Ｉ）表示灰度值等于ｈ的所有局部最小值。

令Ｃ［ｈ］表示所有集水盆地中灰度值小于等于阈值ｈ的像素集合，即：C[h]=

R

t

=1

胰C h（M i）.

那么，Ｃ［ｈｍａｘ］就是所有集水盆地的并集。显然，Ｃ［ｈ－１］是Ｔｈ（Ｉ）的一个子集。

假设已经得到阈值ｈ－１下的Ｃ［ｈ－１］，现在需要从Ｃ［ｈ－１］获得Ｃ［ｈ］。若Ｙ为包含于Ｔｈ（Ｉ）的一个连通成分，则Ｙ与Ｃ［ｈ－１］的交集有以下三种可能：（１）Ｙ∩Ｃ［ｈ－１］为空；（２）Ｙ∩Ｃ［ｈ－１］不为空且包含Ｃ［ｈ－１］中的一个连通分量；（３）Ｙ∩Ｃ［ｈ－１］不为空且包含Ｃ［ｈ－１］中的多个连通分量。

于是，Ｃ［ｈ］就包含对Ｃ［ｈ－１］中的各集水盆地在水平ｈ下扩展得到的区域以及水平ｈ下新出现的低洼。模拟沉浸法将Ｃ［ｈｍｉｎ］初始化为Ｔｈｍｉｎ（Ｉ），从最小灰度ｈｍｉｎ开始，逐灰度级由Ｃ［ｈ－１］构造出Ｃ［ｈ］，直到ｈｍａｘ，此时，得到的Ｃ［ｈｍａｘ］就是所需标记的集水盆地。其他不属于任何一个集水盆地的点就是分水线点，通过在图像中求Ｃ［ｈｍａｘ］的补集可以得到［５］。

２．２改进方法

利用上述传统方法经常会因为噪声的干扰和梯度的局部不规则性影响而造成过度分割。如对图１使用传统算法得到的实验结果如图２所示，图２中的过度分割产生了很多无关的边缘信息，过多的无关信息让结果没有意义。

图１原图像图２使用传统分水岭分割算法得到的结果

利用区域合并的方法来限制出现的区域的数目可以有效解决该问题。控制过度分割，我们将标记作为基础。本文以Ｏｐｅｎｃｖ中的函数ｃｖＷａｔｅｒｓｈｅｄ（ｃｏｎｓｔＭａｔ＆ｉｍａｇｅ，Ｍａｔ＆ｍａｒｋｅｒｓ）为例进行说明。ｍａｒｋｅｒｓ即是输入矩阵也是输出矩阵，大小与ｉｍａｇｅ大小相同。使用该函数时，在ｍａｒｋｅｒｓ矩阵中粗略指定两种以上区域，该区域为１个点以上的连通点集，并用不同的正整数（１，２，３…）标记。这些区域可以用ｃｖＦｉｎｄＣｏｎｔｏｕｒ（），和ｃｖＤｒａｗＣｏｎｔｏｕｒ（）标记。用户或算法可以通过画一条简单的线，有效地告知分水岭算法把这些点组合起来。ｍａｒｋｅｒｓ矩阵其他区域为０。调用ｃｖＷａｔｅｒｅｄ（）函数后，ｍａｒｋｅｒｓ矩阵中所有为０的部分被重新标记为正整数，或为－１，－１代表筑起来的坝。

标记是图像的连通分量，分为内部标记和外部标记，内部标记与目标体相关，外部标记与背景相关。图像中存在的许多隐含的极小值是导致图２过度分割的原因之一，因为这些区域都很小，所以这些值中有很多是没有意义的细节。此时将图像用平滑滤波器过滤，将这些对图像产生影响的极小的无关细节降到最少，

21

··