1 距离变换
以Opencv的distanceTransform距离变换为例。
1.1 梗概
计算图像中每一个非零点距离离自己最近的零点的距离，distanceTransform的第二个Mat矩阵参数dst保存了每一个点与最近的零点的距离信息，图像上越亮的点，代表了离零点的距离越远。
1.2 详解
1.2.1 变换
Distance fields can also be signed, in the case where it is important to distinguish whether the point is inside or outside of the shape.[1]
Usually the transform/map is qualified with the chosen metric. For example, one may speak of Manhattan distance transform, if the underlying metric is Manhattan distance
上方翻译具体表达：
距离变换可以表示区分改点在几何图形的内部或外部。（根据变换后的距离值）
变换图常用度量标准，例如曼哈顿距离欧式距离也可以，但是欧式距离不长用于距离变换中(Euclidean Metric)
1.2.1.1 下图为欧式距离和曼哈顿距离的区别
image.png
1.2.1.2 距离变换 (曼哈顿距离(Manhattan distance)标准讲解)
以二值图像为例，计算0到非0的距离；其中区域块内部的像素值为1，其他像素值为0。距离变换给出每个像素点到最近的区域块边界的距离，区域块内部的距离变换结果为0。输入图像如图1所示，D4距离的距离变换结果如图2所示。
image
image.png
image
具体的距离变换的距离计算可以多种多样，只是不同方法性能不一。
常用『掩模』
1.2.2 举例
变换前（二值化/开运算）
before distance transform
变换后
distanceTransform
1.3 用途
1.3.1 watershed 分水岭算法 ( 细化轮廓 ）
image.png
image.png
image.png
image.png
前方开运算+腐蚀(去除噪点和非必要连接处)+膨胀（消化腐蚀影响）- 记为A
距离变换，求曼哈顿距离 - 记为B
二值化，细化具体轮廓 - 记为C
A - C = D (边界）
创建标记(marker，它是一个与原始图像大小相同的矩阵，int32数据类型)，表示其中的每个区域。分水岭算法将标记的0的区域视为不确定区域，将标记为1的区域视为背景区域，将标记大于1的正整数表示我们想得到的前景 (使用 cv2.connectedComponents() 来实现这个功能) (
连接组件标记算法(connected component labeling algorithm)是图像分析中最常用的算法之一，算法的实质是扫描二值图像的每个像素点，对于像素值相同的而且相互连通分为相同的组(group),最终得到图像中所有的像素连通组件。)E = connectedComponents(
C)
连通处理之后返回的标记图像
cv2.connectedComponents
# 去重后的标记区域的点
[0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11, 12, 13, 14, 15, 16, 17, 18, 19, 20, 21, 22, 23, 24, 25, 26, 27, 28, 29, 30, 31, 34, 36, 32, 33, 35, 37]
连通标记之后 plt.show.png
F =
E+1 , 分水岭对所有标注都要>1F[
D=255(边界)] = 0 (背景区域)所以 F[F>1] 前景 ;F[F=1] 未知区域 ;F[F=0] 背景
Add one to all labels so that sure background is not 0, but 1D = watershed(img, F)
1.3.2 细化轮廓和查找物体质心
image.png
image.png
1.4 其他
1.5 参考文献
- 距离变换
https://en.wikipedia.org/wiki/Distance_transform - 曼哈顿距离
https://en.wikipedia.org/wiki/Taxicab_geometry - 距离变换分水岭
https://imagej.net/Distance_Transform_Watershed - Opencv connectedComponents函数 连通区域
https://docs.opencv.org/master/d3/dc0/group__imgproc__shape.html#gaedef8c7340499ca391d459122e51bef5 - 知乎 分水岭opencv
https://zhuanlan.zhihu.com/p/67741538
2 OTSU二值化算法 (类间方差）
是日本学者大津（OTSU）提出来的
2.1 梗概
大津法(OTSU)是一种确定图像二值化分割阈值的算法,由日本学者大津于1979年提出
2.2 详解
2.2.1 算法过程
转灰度图
创建直方图 Histograms
直方图平滑 Histograms_smooth
注意：以下均需要loop 0~255 像素点（和直方图）
i代表当前loop item的灰度值，p(i) 代表该灰度值所在直方图的点数
均需要归一化[0,1]-
前景图像总点数w0，后景图像总点数w1
image.png -
前景平均灰度值u0 ，景平均灰度值u1，总灰度值uT(质量矩)
image.png
对应关系
image.png -
求类间方差
前景 * ()
image.png 取
最大类间方差时对应的灰度的i就是最佳阈值
说白了就是一张图下， [0,t) , [t,255] 分别代表前景，后景的两个区间分两类，
然后分别求对于质量矩的方差所决定的最佳阈值。
（其中还有`前景总点数（权重）`和后景的乘积有关系）
2.2.2 过程图示
2.3 使用
2.3.1 二值化图像
image.png
image.png
