OpenCV分水岭算法实战：5步搞定象棋棋子分割（附完整代码）

OpenCV分水岭算法实战：5步搞定象棋棋子分割（附完整代码）

计算机视觉领域中的图像分割技术，一直是开发者们关注的焦点。而在众多分割算法中，分水岭算法因其独特的处理思路和效果，成为解决特定场景问题的利器。今天，我们就以象棋棋子分割为例，手把手带你掌握这个算法的核心要点和实战技巧。

1. 分水岭算法原理与象棋分割场景分析

分水岭算法的核心思想源自地理学中的分水岭概念。想象一下，将图像看作一个地形图：

• 高灰度值区域：对应山脉和山峰
• 低灰度值区域：对应山谷和盆地

当"水位"逐渐上升时，不同山谷的水会开始汇聚。算法通过在可能汇合的区域构建"堤坝"来分割不同的区域。对于象棋棋子分割这个具体场景，我们需要特别关注几个关键点：

表：象棋棋子分割的挑战与分水岭算法优势

# 基础环境准备 import cv2 import numpy as np import matplotlib.pyplot as plt # 设置显示中文字体 plt.rcParams['font.sans-serif'] = ['SimHei'] plt.rcParams['axes.unicode_minus'] = False

2. 预处理：从原始图像到二值化

预处理是分水岭算法成功的关键第一步。对于象棋图像，我们需要经过以下几个步骤：

1. 灰度转换：将彩色图像转为灰度，简化处理维度
2. 阈值处理：使用Otsu算法自动确定最佳阈值
3. 形态学去噪：消除棋子表面的文字和棋盘格噪声

def preprocess_image(image_path): # 读取图像并转换颜色空间 img = cv2.imread(image_path) img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB) gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # Otsu阈值处理 ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 形态学开运算去噪 kernel = np.ones((3,3), np.uint8) opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2) return img_rgb, gray, opening

提示：形态学开运算（先腐蚀后膨胀）能有效去除小噪声点，同时保持棋子主体形状不变。迭代次数需要根据具体图像调整，通常2-3次为宜。

3. 距离变换与前景标记生成

距离变换是分水岭算法中确定前景区域的核心步骤。它计算每个前景像素到最近背景像素的距离，这个距离图能准确反映物体的中心区域：

def compute_distance_transform(opening): # 计算距离变换 dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5) # 归一化显示 dist_display = cv2.normalize(dist_transform, None, 0, 1.0, cv2.NORM_MINMAX) # 前景标记生成 ret, sure_fg = cv2.threshold(dist_transform, 0.7*dist_transform.max(), 255, 0) sure_fg = np.uint8(sure_fg) return dist_transform, sure_fg, dist_display

表：距离变换参数选择指南

4. 背景与未知区域确定

完整的标记需要三类区域：确定前景、确定背景和未知区域。背景通过膨胀操作获取，而未知区域则是背景减去前景：

def find_unknown_regions(opening, sure_fg): # 确定背景区域 kernel = np.ones((3,3), np.uint8) sure_bg = cv2.dilate(opening, kernel, iterations=3) # 确定未知区域 unknown = cv2.subtract(sure_bg, sure_fg) return sure_bg, unknown

这个步骤的视觉化结果非常关键，建议通过以下代码检查中间结果：

plt.figure(figsize=(15,10)) plt.subplot(131), plt.imshow(sure_bg, cmap='gray') plt.title('确定背景'), plt.axis('off') plt.subplot(132), plt.imshow(sure_fg, cmap='gray') plt.title('确定前景'), plt.axis('off') plt.subplot(133), plt.imshow(unknown, cmap='gray') plt.title('未知区域'), plt.axis('off') plt.show()

5. 标记生成与分水岭分割

最后一步是将所有信息整合，生成标记矩阵并应用分水岭算法：

def watershed_segmentation(img_rgb, sure_fg, unknown): # 连通组件标记 ret, markers = cv2.connectedComponents(sure_fg) # 背景标记为1，其他区域+1 markers = markers + 1 markers[unknown==255] = 0 # 应用分水岭算法 markers = cv2.watershed(img_rgb, markers) # 标记边界 img_rgb[markers == -1] = [255,0,0] return markers, img_rgb

关键细节说明：

1. connectedComponents会自动将背景标记为0，但分水岭算法要求背景不为0
2. 未知区域必须明确标记为0
3. 分水岭处理后，边界会被标记为-1
4. 最终结果中，每个棋子会被赋予唯一的标签值

完整代码实现与效果优化

将上述步骤整合，我们得到完整的象棋棋子分割方案：

def chess_piece_segmentation(image_path): # 1. 预处理 img_rgb, gray, opening = preprocess_image(image_path) # 2. 距离变换 dist_transform, sure_fg, _ = compute_distance_transform(opening) # 3. 确定未知区域 sure_bg, unknown = find_unknown_regions(opening, sure_fg) # 4. 分水岭分割 markers, result = watershed_segmentation(img_rgb.copy(), sure_fg, unknown) # 可视化 plt.figure(figsize=(20,15)) plt.subplot(231), plt.imshow(img_rgb), plt.title('原始图像') plt.subplot(232), plt.imshow(opening, cmap='gray'), plt.title('预处理结果') plt.subplot(233), plt.imshow(dist_transform, cmap='jet'), plt.title('距离变换') plt.subplot(234), plt.imshow(sure_fg, cmap='gray'), plt.title('确定前景') plt.subplot(235), plt.imshow(unknown, cmap='gray'), plt.title('未知区域') plt.subplot(236), plt.imshow(result), plt.title('分割结果') plt.tight_layout() plt.show() return result # 使用示例 result = chess_piece_segmentation('xiangqi.jpg')

常见问题与调优技巧：

1. 过度分割问题：调整距离变换的阈值系数（0.6-0.8尝试）
2. 边缘不精确：尝试不同的形态学核大小（3x3或5x5）
3. 小区域合并：在分水岭前使用cv2.connectedComponents过滤小区域
4. 光照不均处理：预处理时可加入cv2.createCLAHE进行对比度均衡

在实际项目中，我发现棋子与棋盘颜色对比度对结果影响最大。当对比度较低时，可以尝试以下增强方案：

# 对比度增强方案 clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8)) gray = clahe.apply(gray)

分水岭算法虽然强大，但也需要根据具体场景精心调整参数。通过本文的5步流程，你应该能够处理大多数象棋棋子分割场景。当遇到特别复杂的情况时，可以考虑引入深度学习的方法作为补充，但传统算法在实时性和可解释性上仍有不可替代的优势。