基于Watershed与Distance Transform的微小颗粒分割问题求助

问题复盘 #

• 基于OpenCV官方教程实现Watershed算法时，出现大颗粒被误判为单个颗粒、小颗粒漏检的问题
• 更换教程实现后，大颗粒分割略有改善，但小颗粒漏检仍严重，且两种方案均产生全图范围的异常边框

核心问题原因分析 #

1. 预处理环节缺失/不当
   • 未滤除图像噪声，导致阈值分割时小颗粒被误判为噪声或背景
   • 固定阈值无法适配光照不均匀的场景，小颗粒灰度值接近背景时被忽略
   • 形态学操作未针对性强化颗粒间隙，大颗粒内部的缝隙未被识别为分割依据
2. 距离变换与种子点标记不合理
   • 距离变换的参数（距离类型、掩码尺寸）设置不当，无法捕捉小颗粒的距离峰值或大颗粒的间隙
   • 种子点筛选用固定阈值，导致小颗粒的距离峰值未被标记为前景种子
   • 未排除图像边缘的连通域，导致算法将边缘视为分割边界，产生全图异常边框
3. Watershed边界处理疏漏
   • 未对图像边缘做掩码限制，算法默认将图像边缘作为背景边界，从而生成异常边框

针对性优化步骤 #

1. 优化预处理流程 #

• 先执行高斯模糊（cv.GaussianBlur(img, (3,3), 0)）滤除高频噪声，避免干扰后续阈值分割
• 替换固定阈值为自适应阈值分割（cv.adaptiveThreshold(...)），适配光照不均的灰尘图像，更好保留小颗粒细节
• 组合形态学操作：先用开运算去除小噪声点，再用闭运算填补颗粒内部空洞；若大颗粒存在缝隙，用小尺寸腐蚀操作强化间隙，为后续分割提供依据

2. 调整距离变换与种子点标记 #

• 距离变换选择cv.DIST_L2类型与3x3掩码，确保准确计算前景到背景的距离
• 采用相对阈值筛选种子点：cv.threshold(dist_transform, 0.1*dist_transform.max(), 255, 0)，保留小颗粒的距离峰值作为前景种子
• 标记连通域后，手动排除触及图像边缘的连通域，避免边缘干扰种子点有效性
• 生成可靠背景：通过膨胀前景区域（cv.dilate(...)），将膨胀后的区域外作为真实背景，避免颗粒间隙被误判为背景

3. 消除全图异常边框 #

• 预处理阶段裁剪图像边缘（如去掉边缘5-10个像素），或创建边缘掩码（边缘区域设为0，内部设为255），在Watershed运算前过滤边缘区域
• 执行Watershed后，手动将边缘区域的分割结果置为背景，清除异常边框

关键优化代码片段 #

import cv2 as cv
import numpy as np

# 读取图像并转灰度
img = cv.imread("dust_image.jpg")
gray = cv.cvtColor(img, cv.COLOR_BGR2GRAY)

# 预处理：高斯模糊+自适应阈值
blur = cv.GaussianBlur(gray, (3, 3), 0)
thresh = cv.adaptiveThreshold(
    blur, 255, cv.ADAPTIVE_THRESH_GAUSSIAN_C, cv.THRESH_BINARY_INV, 11, 2
)

# 形态学操作：开运算去噪，闭运算补空洞
kernel = np.ones((3, 3), np.uint8)
opening = cv.morphologyEx(thresh, cv.MORPH_OPEN, kernel, iterations=2)
sure_bg = cv.dilate(opening, kernel, iterations=3)

# 距离变换+相对阈值提取前景种子
dist_transform = cv.distanceTransform(opening, cv.DIST_L2, 3)
_, sure_fg = cv.threshold(dist_transform, 0.1 * dist_transform.max(), 255, 0)
sure_fg = np.uint8(sure_fg)

# 计算未知区域
unknown = cv.subtract(sure_bg, sure_fg)

# 标记连通域并处理边缘
_, markers = cv.connectedComponents(sure_fg)
markers += 1  # 背景标记为1，前景从2开始
markers[unknown == 255] = 0

# 创建边缘掩码，屏蔽图像边缘
h, w = markers.shape
edge_mask = np.ones((h, w), np.int32) * 255
edge_mask[:5, :] = 0
edge_mask[-5:, :] = 0
edge_mask[:, :5] = 0
edge_mask[:, -5:] = 0
markers = cv.bitwise_and(markers, edge_mask)

# 执行分水岭算法
markers = cv.watershed(img, markers)
img[markers == -1] = [255, 0, 0]  # 标记分割边界

# 保存结果
cv.imwrite("optimized_result.jpg", img)

内容的提问来源于stack exchange，提问作者Ross