4. 图像分割与形态学

图像分割和形态学处理，说白了就是把图像里「谁是谁」给分清楚，再把分出来的东西「修整」到能用。我做了这么多年嵌入式视觉，这两块几乎是每个项目都绕不开的基础操作。今天咱们就聊聊阈值分割、分水岭、形态学操作和轮廓查找——这些工具用好了，很多看似复杂的问题其实几行代码就能搞定。

4.1 阈值分割：Otsu 算法的妙用

阈值分割是最直观的分割方法。你设定一个值，像素高于它算一类，低于它算另一类。但问题来了——这个阈值怎么定？

我早期做项目时，经常手动调阈值。今天光线好，阈值设 128；明天阴天，就得改到 100。后来用了 Otsu 算法，才算是解放了双手。

Otsu 的核心思想：它自动计算一个阈值，让分割后的两类像素「类内方差最小、类间方差最大」。说白了，就是让前景和背景各自内部尽可能均匀，两者之间差异尽可能大。

// C++ 示例：Otsu 阈值分割
cv::Mat src = cv::imread("defect.jpg", cv::IMREAD_GRAYSCALE);
cv::Mat binary;
double thresh = cv::threshold(src, binary, 0, 255, cv::THRESH_BINARY | cv::THRESH_OTSU);
std::cout << "Otsu 自动阈值: " << thresh << std::endl;

4.2 分水岭算法：处理粘连物体的利器

阈值分割只能做全局二值化，遇到物体互相粘连就抓瞎了。比如显微镜下的细胞、生产线上的零件——它们挨在一起，阈值分割根本分不开。

分水岭算法就是来解决这个问题的。它的思路很形象：把图像看成地形图，灰度值高的地方是山脊，低的地方是山谷。然后从每个局部最低点「注水」，水漫过山脊时，不同区域就自然分开了。

但直接用的效果往往不好——噪声会导致过度分割，出现密密麻麻的小区域。我建议的做法是：

1. 先做距离变换，找到每个物体的「中心」
2. 用这些中心作为种子点
3. 再运行分水岭算法

// C++ 示例：基于距离变换的分水岭分割
cv::Mat dist;
cv::distanceTransform(binary, dist, cv::DIST_L2, 5);
cv::normalize(dist, dist, 0, 1.0, cv::NORM_MINMAX);

// 找到局部最大值作为种子
cv::Mat markers;
cv::findContours(binary, contours, cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);
markers = cv::Mat::zeros(src.size(), CV_32S);
for (size_t i = 0; i < contours.size(); i++) {
    cv::drawContours(markers, contours, static_cast<int>(i), 
                     cv::Scalar(static_cast<int>(i)+1), -1);
}
cv::watershed(src, markers);

4.3 形态学操作：腐蚀、膨胀、开闭运算

二值化之后，图像里往往有噪点、断线、毛刺。形态学操作就是用来「修图」的。我把它比作雕刻——腐蚀是削掉一层，膨胀是补上一层。

操作	效果	典型应用场景
腐蚀	消除细小凸起，断开窄连接	去除噪点、分离粘连物体
膨胀	填补细小凹陷，连接断口	修复断裂、填充孔洞
开运算（先腐蚀后膨胀）	去除小噪点，保持大物体形状	去噪、平滑轮廓
闭运算（先膨胀后腐蚀）	填补小孔洞，连接邻近物体	填充裂缝、连接断线

// C++ 示例：形态学操作
cv::Mat kernel = cv::getStructuringElement(cv::MORPH_RECT, cv::Size(3, 3));

cv::Mat eroded, dilated, opened, closed;
cv::erode(binary, eroded, kernel);
cv::dilate(binary, dilated, kernel);
cv::morphologyEx(binary, opened, cv::MORPH_OPEN, kernel);
cv::morphologyEx(binary, closed, cv::MORPH_CLOSE, kernel);

4.4 轮廓查找与绘制

形态学处理完，图像干净了，接下来就是提取目标物体的轮廓。轮廓是后续测量、识别、跟踪的基础。

轮廓查找的核心函数是 cv::findContours。它有两个关键参数：

• 检索模式：RETR_EXTERNAL 只找最外层轮廓，RETR_TREE 找所有层级
• 近似方法：CHAIN_APPROX_SIMPLE 压缩水平/垂直/对角线方向，只保留端点

// C++ 示例：轮廓查找与绘制
std::vector<std::vector<cv::Point>> contours;
std::vector<cv::Vec4i> hierarchy;
cv::findContours(binary, contours, hierarchy, 
                 cv::RETR_EXTERNAL, cv::CHAIN_APPROX_SIMPLE);

// 绘制所有轮廓
cv::Mat result = cv::Mat::zeros(src.size(), CV_8UC3);
for (size_t i = 0; i < contours.size(); i++) {
    cv::Scalar color = cv::Scalar(0, 255, 0);
    cv::drawContours(result, contours, (int)i, color, 2);
    
    // 计算轮廓面积和周长
    double area = cv::contourArea(contours[i]);
    double perimeter = cv::arcLength(contours[i], true);
    std::cout << "轮廓 " << i << ": 面积=" << area 
              << ", 周长=" << perimeter << std::endl;
}

4.5 本章知识体系

下面这张图把本章的核心流程串起来了。你可以把它当作一个处理流水线：

4.6 实战建议与避坑总结

最后，我把这些年做图像分割项目的一些心得整理成清单，希望能帮你少走弯路：