C++基于区域的图像分割：从原理到实战的完整指南

1次阅读

共计 1694 个字符，预计需要花费 5 分钟才能阅读完成。

图像分割作为计算机视觉的基础任务，广泛应用于医学影像分析、自动驾驶、工业检测等领域。然而对于新手而言，往往面临以下挑战：

算法选择困难 ：不同场景下区域分割算法表现差异大，缺乏系统性对比
参数调试复杂 ：阈值、种子点等超参数对结果影响显著但无通用设置规则
性能瓶颈 ：处理高分辨率图像时易出现内存溢出或实时性不足
边界处理 ：噪声和弱边缘会导致分割区域粘连或断裂

原理：将图像视为地形表面，通过模拟洪水淹没过程形成分割边界
优势：
能处理复杂拓扑结构的物体
对弱边缘有较好保持性
局限：
易受噪声影响产生过分割
需要准确的标记初始化

原理：从种子点出发，根据相似性准则逐步合并相邻像素
优势：
实现简单直观
适合具有均匀纹理的区域
局限：
依赖种子点选择
难以处理渐变区域

// 1. 图像预处理
Mat gray, binary;
cvtColor(src, gray, COLOR_BGR2GRAY);
threshold(gray, binary, 0, 255, THRESH_OTSU);

// 2. 距离变换确定标记
Mat dist;
distanceTransform(binary, dist, DIST_L2, 3);
normalize(dist, dist, 0, 1.0, NORM_MINMAX);

// 3. 生成标记矩阵
Mat markers = Mat::zeros(dist.size(), CV_32S);
double minVal, maxVal;
minMaxLoc(dist, &minVal, &maxVal);

// 4. 应用分水岭算法
watershed(src, markers);

void regionGrowing(Mat &src, Mat &dst, Point seed, int threshold) {dst = Mat::zeros(src.size(), CV_8U);
    queue<Point> growQue;
    growQue.push(seed);
    dst.at<uchar>(seed) = 255;

    while(!growQue.empty()) {Point center = growQue.front();
        growQue.pop();

        for(int i=-1; i<=1; i++) {for(int j=-1; j<=1; j++) {Point neighbor(center.x + i, center.y + j);
                if(neighbor.x < 0 || neighbor.y < 0 || 
                   neighbor.x >= src.cols || neighbor.y >= src.rows)
                    continue;

                if(dst.at<uchar>(neighbor) == 0 && 
                   abs(src.at<uchar>(center) - src.at<uchar>(neighbor)) < threshold) {dst.at<uchar>(neighbor) = 255;
                    growQue.push(neighbor);
                }
            }
        }
    }
}