OpenCV圖像分割技術全解析

OpenCV提供了多種圖像分割技術，每種技術都有其特定的應用場景和優缺點。以下是對OpenCV中幾種常用圖像分割技術的詳細解析：

1. 閾值分割（Thresholding）

閾值分割是最基礎的圖像分割方法之一，通過設定一個閾值將像素分為兩組：前景和背景。

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 讀取圖像并轉換為灰度
img = cv2.imread('image.jpg', 0)
ret, thresh = cv2.threshold(img, 127, 255, cv2.THRESH_BINARY)
plt.imshow(thresh, cmap='gray')
plt.title('Thresholding')
plt.show()

2. 自適應閾值分割（Adaptive Thresholding）

自適應閾值分割能根據圖像的不同區域自動調整閾值，適用于光照不均的場景。

adaptive_thresh = cv2.adaptiveThreshold(img, 255, cv2.ADAPTIVE_THRESH_MEAN_C, cv2.THRESH_BINARY, 11, 2)
plt.imshow(adaptive_thresh, cmap='gray')
plt.title('Adaptive Thresholding')
plt.show()

3. Otsu’s二值化

Otsu’s二值化是一種自動尋找最佳閾值的方法，特別適合于單峰分布的圖像。

ret, otsu = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
plt.imshow(otsu, cmap='gray')
plt.title("Otsu's Binarization")
plt.show()

4. 分水嶺算法（Watershed）

分水嶺算法常用于分割緊密相連的對象，通過模擬水流匯聚過程找到圖像中的邊界。

D = cv2.distanceTransform(img, cv2.DIST_L2, 5)
localMax = cv2.dilate(D, None, iterations=2)
markers = cv2.watershed(cv2.cvtColor(img, cv2.COLOR_GRAY2BGR), localMax)
plt.imshow(markers, cmap='jet')
plt.title('Watershed Segmentation')
plt.show()

5. GrabCut

GrabCut是一種半自動的圖像分割方法，需要用戶給出初步的前景和背景區域。

mask = np.zeros(img.shape[:2], np.uint8)
bgdModel = np.zeros((1, 65), np.float64)
fgdModel = np.zeros((1, 65), np.float64)
rect = (50, 50, 450, 290)
cv2.grabCut(img, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_RECT)
mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype('uint8')
img = img * mask2[:, :, np.newaxis]
plt.imshow(cv2.cvtColor(img, cv2.COLOR_BGR2RGB))
plt.title('GrabCut')
plt.show()

6. SLIC超像素分割（SLIC）

SLIC（Simple Linear Iterative Clustering）是一種快速的超像素分割方法，能將圖像劃分為多個小的、連貫的區域。

from skimage.segmentation import slic

segments_slic = slic(img, n_segments=200, compactness=10, sigma=1)
plt.imshow(segments_slic)
plt.title('SLIC Superpixels')
plt.show()

7. 深度學習分割

雖然深度學習不在OpenCV的標準庫中，但可以結合TensorFlow等框架實現更高級的圖像分割任務，如語義分割和實例分割。

請注意，以上代碼示例需要使用Python環境和OpenCV庫。在實際應用中，可能需要根據具體圖像特性和需求調整參數和方法。