分水岭算法分割和霍夫变换识别图像中的硬币

首先解释一下第一种分水岭算法：

一、分水岭算法

分水岭算法是一种基于拓扑学的图像分割技术，广泛应用于图像处理和计算机视觉领域。它将图像视为一个拓扑表面，其中亮度值代表高度。算法的目标是通过模拟雨水从山顶流到山谷的过程，将图像分割成若干独立的区域。

分水岭算法的步骤和原理：

距离变换：
- 首先对图像进行预处理，将图像转化为灰度图，并进行二值化处理（如Otsu算法）。
- 对二值图像应用距离变换，计算每个前景像素到最近的背景像素的距离，生成距离图。距离变换后的图像可以看作是一幅"地形图"，前景像素的距离值越大，代表的高度越高。
寻找局部极大值：
- 在距离图中找到局部极大值点。这些点通常位于目标物体的中心位置，将作为初始标记。局部极大值点是那些比其邻域像素值更大的点。
创建标记图：
- 创建一个与原始图像大小相同的标记图，将局部极大值点的位置赋值为不同的标签（从1开始编号），其余区域标记为0。
应用分水岭算法：
- 将距离图的负值作为输入图像，标记图作为初始标记，应用分水岭算法。分水岭算法通过模拟水从局部极大值点流向低谷的过程，不断合并像素，形成分割区域。
- 在这个过程中，水从局部极大值点流向低谷，如果两个不同的标签的水流在某处相遇，该处将被标记为边界。
生成分割结果：
- 分水岭算法最终会将图像分割成多个区域，每个区域对应一个标签。边界区域通常被标记为0。

分水岭算法的优点和缺点：

优点：

分水岭算法可以生成闭合的区域边界，适用于目标物体具有明确边界的图像。
算法可以自动确定分割区域的数量，无需事先设定。

缺点：

对噪声和边缘模糊敏感，容易产生过分割，即将一个目标物体分割成多个区域。
需要进行预处理以减少噪声和增强边缘（如均值漂移滤波）。

示例代码解释：

# 计算每个二值像素到最近零像素的精确欧几里得距离, 然后找到此距离图中的局部峰值
D = ndimage.distance_transform_edt(thresh)
localMax = peak_local_max(D, footprint=np.ones((3, 3)), min_distance=40, labels=thresh)

# 根据找到的局部峰值创建标记数组, 标记数组的值对应于每个硬币的序号
markers = np.zeros_like(thresh, dtype=np.int32)
markers[tuple(localMax.T)] = np.arange(1, len(localMax) + 1)

# 应用分水岭算法, 将图像分割为不同的区域
labels = watershed(-D, markers, mask=thresh)

计算距离变换：ndimage.distance_transform_edt(thresh) 计算每个前景像素到最近背景像素的欧几里得距离，生成距离图 D。
寻找局部极大值：peak_local_max(D, footprint=np.ones((3, 3)), min_distance=40, labels=thresh) 在距离图中寻找局部极大值，这些点将作为初始标记。
创建标记图：markers 初始化为全零矩阵，将局部极大值点的位置赋值为不同的标签。
应用分水岭算法：labels = watershed(-D, markers, mask=thresh) 使用分水岭算法对距离图的负值进行分割，生成标签图 labels。

通过以上步骤，分水岭算法将输入图像分割成若干独立区域，每个区域代表一个目标物体。

以检测这张图为例子：
在这里插入图片描述

使用分水岭算法流程如下：

读取图像并应用均值漂移滤波：
- 使用 cv2.imread 读取输入图像。
- 使用 cv2.pyrMeanShiftFiltering 对图像进行均值漂移滤波，平滑图像并减少噪点。
转换为灰度图并二值化：
- 使用 cv2.cvtColor 将平滑后的图像转换为灰度图。
- 使用 cv2.threshold 结合 Otsu 算法进行自动阈值二值化，将图像转换为二值图像。
计算欧几里得距离并找到局部峰值：
- 使用 ndimage.distance_transform_edt 计算每个二值像素到最近零像素的欧几里得距离，生成距离变换图。
- 使用 peak_local_max 找到距离图中的局部峰值，这些峰值将作为分水岭算法的初始标记。
创建标记数组并应用分水岭算法：
- 创建一个与二值图像大小相同的标记数组 markers，将局部峰值的位置赋值为不同的标签。
- 使用 watershed 函数进行分水岭算法，将图像分割成不同区域，每个区域对应一个硬币。
遍历分割出的不同区域，绘制轮廓和标签：
- 遍历分割后的标签，跳过背景标签（标签为0）。
- 为每个硬币创建一个掩码图像，设置对应标签区域为白色，其余区域为黑色。
- 使用 cv2.findContours 查找掩码图像中的轮廓，并找到最大的轮廓（即硬币区域）。
- 使用 cv2.minEnclosingCircle 计算最小外接圆的圆心坐标和半径。
- 在原始图像上绘制圆形轮廓和标签。
显示最终结果图像：
- 使用 cv2.imshow 显示处理后的图像。
- 使用 cv2.waitKey 和 cv2.destroyAllWindows 控制显示窗口。

上述流程通过图像平滑、二值化、距离变换、局部峰值检测和分水岭算法，实现了对硬币图像的分割，并在分割后的图像上绘制了硬币的轮廓和编号标签。
完整代码如下：

import numpy as np
import cv2
from skimage.feature import peak_local_max
from skimage.segmentation import watershed
from scipy import ndimage
import imutils

# 读取图像并应用均值漂移滤波来平滑图像,减少噪点
image = cv2.imread('/coins/1.jpg')
shifted = cv2.pyrMeanShiftFiltering(image, 21, 51)

# 将图像转换为灰度图,然后使用Otsu算法自动确定阈值进行二值化
gray = cv2.cvtColor(shifted, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)[1]

# 计算每个二值像素到最近零像素的精确欧几里得距离,然后找到此距离图中的局部峰值
# 这些峰值将作为分水岭算法的初始标记
D = ndimage.distance_transform_edt(thresh)
localMax = peak_local_max(D, footprint=np.ones((3, 3)), min_distance=40, labels=thresh)

# 根据找到的局部峰值创建标记数组,标记数组的值对应于每个硬币的序号
markers = np.zeros_like(thresh, dtype=np.int32)
markers[tuple(localMax.T)] = np.arange(1, len(localMax) + 1)

# 应用分水岭算法,将图像分割为不同的区域
labels = watershed(-D, markers, mask=thresh)

# 遍历分割出的不同区域,绘制出每个硬币的轮廓和标签
for label in np.unique(labels):
    if label == 0:
        continue

    # 创建一个掩码图像,将当前标签对应的区域设置为白色,其他区域设置为黑色
    mask = np.zeros(gray.shape, dtype="uint8")
    mask[labels == label] = 255

    # 查找掩码图像中的轮廓,并找到最大的轮廓(即硬币区域)
    cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
    cnts = imutils.grab_contours(cnts)
    c = max(cnts, key=cv2.contourArea)

    # 计算最小外接圆的圆心坐标和半径
    ((x, y), r) = cv2.minEnclosingCircle(c)

    # 在原始图像上绘制圆形轮廓和标签
    cv2.circle(image, (int(x), int(y)), int(r), (0, 255, 0), 2)
    cv2.putText(image, "{}".format(label), (int(x) - 10, int(y)),
                cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2)

# 显示最终的结果图像
cv2.imshow("Output", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

分割结果如下：
在这里插入图片描述

二、霍夫变换

霍夫变换（Hough Transform）是图像处理中的一种重要技术，用于检测图像中的几何形状。霍夫圆检测（Hough Circle Transform）是霍夫变换的一个具体应用，用于检测图像中的圆形物体。

霍夫圆检测的原理和步骤：

边缘检测：
- 首先对图像进行边缘检测，常用的方法是Canny边缘检测。边缘检测可以提取出图像中的显著边缘，减少数据量并突出目标物体的轮廓。
参数空间定义：
- 在检测圆的过程中，需要定义圆的参数空间。一个圆由三个参数定义：圆心坐标 (x, y) 和半径 r。霍夫圆检测将在参数空间中搜索圆的可能位置和大小。
投票累加：
- 在边缘检测后的二值图像中，每个边缘点 (x, y) 都会在参数空间中投票支持可能的圆心和半径组合。具体而言，对于每个边缘点 (x, y) 和每个可能的半径 r，可以根据圆的方程计算圆心坐标 (a, b)：
  $[ a = x - r \cdot \cos(\theta) ] [ b = y - r \cdot \sin(\theta) ]$
- 在参数空间中累加 (a, b) 的投票次数。
检测局部最大值：
- 在参数空间中，投票次数最多的位置即为最可能的圆心和半径组合。通过检测参数空间中的局部最大值，确定圆的存在和位置。
绘制检测到的圆：
- 根据检测到的圆心坐标和半径，在原始图像上绘制圆形轮廓。

示例代码：

以下是一个使用OpenCV进行霍夫圆检测的示例代码：

import cv2
import numpy as np

# 读取图像
image = cv2.imread('image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 应用高斯模糊，减少噪声
blurred = cv2.GaussianBlur(gray, (9, 9), 2)

# 使用霍夫圆检测
circles = cv2.HoughCircles(blurred, cv2.HOUGH_GRADIENT, dp=1.2, minDist=20,
                           param1=50, param2=30, minRadius=15, maxRadius=30)

# 如果检测到圆
if circles is not None:
    circles = np.round(circles[0, :]).astype("int")
    
    for (x, y, r) in circles:
        # 绘制圆的轮廓
        cv2.circle(image, (x, y), r, (0, 255, 0), 4)
        # 绘制圆心
        cv2.rectangle(image, (x - 5, y - 5), (x + 5, y + 5), (0, 128, 255), -1)

# 显示结果图像
cv2.imshow("output", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

代码详解：

读取图像并转换为灰度图：

image = cv2.imread('image.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

应用高斯模糊：
- 使用高斯模糊（Gaussian Blur）来平滑图像，减少噪声。
```
blurred = cv2.GaussianBlur(gray, (9, 9), 2)
```
使用霍夫圆检测：
- 调用 cv2.HoughCircles 函数进行霍夫圆检测。参数解释如下：
  - blurred：输入的灰度图像。
  - cv2.HOUGH_GRADIENT：检测方法，使用梯度信息。
  - dp=1.2：累加器分辨率与图像分辨率的反比关系。
  - minDist=20：检测到的圆之间的最小距离。
  - param1=50：Canny边缘检测的高阈值。
  - param2=30：累加器阈值，用于检测圆的阈值，越小越容易检测到不明显的圆。
  - minRadius=15 和 maxRadius=30：检测圆的半径范围。
```
circles = cv2.HoughCircles(blurred, cv2.HOUGH_GRADIENT, dp=1.2, minDist=20,
                           param1=50, param2=30, minRadius=15, maxRadius=30)
```

绘制检测到的圆：

如果检测到圆，将其绘制在原始图像上。

if circles is not None:
    circles = np.round(circles[0, :]).astype("int")
    
    for (x, y, r) in circles:
        cv2.circle(image, (x, y), r, (0, 255, 0), 4)
        cv2.rectangle(image, (x - 5, y - 5), (x + 5, y + 5), (0, 128, 255), -1)

显示结果图像：

显示绘制了圆的结果图像。

cv2.imshow("output", image)
cv2.waitKey(0)
cv2.destroyAllWindows()

通过上述步骤和代码，霍夫圆检测可以在图像中自动识别和绘制圆形目标。
识别图中硬币的完整代码如下：

import cv2
import numpy as np

# 读取图像并转换为灰度图像
image = cv2.imread('/coins/1.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)

# 应用高斯模糊
gray = cv2.GaussianBlur(gray, (15, 15), 0)

# 使用霍夫圆变换检测圆
circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, dp=1.2, minDist=50, param1=50, param2=30, minRadius=20,
                           maxRadius=60)

# 确保至少检测到一个圆
if circles is not None:
    circles = np.round(circles[0, :]).astype("int")

    for (i, (x, y, r)) in enumerate(circles):
        # 绘制圆圈和中心点
        cv2.circle(image, (x, y), r, (0, 255, 0), 2)
        cv2.putText(image, str(i + 1), (x - 10, y), cv2.FONT_HERSHEY_SIMPLEX, 0.6, (0, 0, 255), 2)

# 显示最终结果图像
cv2.imshow("Detected Coins", image)
cv2.waitKey(0)
cv2.destroyAllWindows()