(1)先使用 Otsu's 二值化对图像进行二值化 (2)使用开运算去除图像中的细小白色噪点 (3)通过距离变换来确定前景图像 (4)可以看到硬币的中心像素值最大（中心离背景像素最远）。对其进行二值处理就得到了分离的前景图。 (5)通过膨胀运算，使得一部分背景成为了物体到的边界，得到的图像中的黑色区域肯定是真实背景。 (6)使用膨胀图减去前景图，得到不确定区域，这部分区域不确定是硬币还是背景，这些区域通常在前景和背景接触的区域(或者两个不同硬币接触的区域)，称之为边界。通过分水岭算法应该能找到确定的边界。 (7)现在可以确定哪些是硬币区域，哪些是背景区域。然后需要创建标记(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。 (8)可以使用 connectedComponents() 来实现这个功能，它是用0标记图像的背景，用大于0的整数标记其他对象。但是OpenCV的分水岭分割函数，会用0表示不确定区域，所以需要对标记统一加一，然后将上一步计算的不确定区域部分标记为0. (9)现在可以调用watershed函数分割图像，如下： watershed(src, markers); (10)maker中标记为-1的地方就是分界线，makers中的最大值减1就是统计的个数。

这是一个关于图像处理的流程，你需要使用 Otsu's 二值化、开运算、距离变换、膨胀运算、分水岭算法等技术来处理图像，最后可以确定哪些是硬币区域，哪些是背景区域，然后使用 connectedComponents() 函数来实现这个功能，最后调用 watershed() 函数分割图像。这个流程可以用来统计硬币的个数。

相关问题

用python写图像二值化，形态学处理，轮廓提取，抠图，抠出来的图为主体对其更换背景在进行高斯模糊的代码

以下是使用Python进行图像二值化，形态学处理，轮廓提取，抠图，抠出来的图为主体对其更换背景在进行高斯模糊的示例代码：

import cv2
import numpy as np

# 读取图像
img = cv2.imread('input.jpg')

# 转换为灰度图像
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 二值化处理
ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)

# 形态学开运算，去除噪点
kernel = np.ones((5,5),np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

# 轮廓提取
contours, hierarchy = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 获取包含连通区域的矩形
rect = cv2.boundingRect(contours[0])

# 抠图
foreground = img[rect[1]:rect[1]+rect[3], rect[0]:rect[0]+rect[2]]

# 更换背景
background = cv2.imread('background.jpg')
background = cv2.resize(background, (img.shape[1], img.shape[0]))
background[rect[1]:rect[1]+rect[3], rect[0]:rect[0]+rect[2]] = foreground

# 高斯模糊
blurred = cv2.GaussianBlur(background, (51,51), 0)

# 显示结果
cv2.imshow('result', blurred)
cv2.waitKey(0)

其中，`input.jpg`是待处理的图片，`background.jpg`是要替换的背景图片，需要保证两者大小相同。运行代码后会显示处理后的结果图片。

Opencv c++代码实现分水岭分割算法，并将其用于下面图像分割，其算法：(1)先使用 Otsu's 二值化对图像进行二值化 (2)使用开运算去除图像中的细小白色噪点 (3)通过距离变换来确定前景图像 (4)可以看到硬币的中心像素值最大（中心离背景像素最远）。对其进行二值处理就得到了分离的前景图。 (5)通过膨胀运算，使得一部分背景成为了物体到的边界，得到的图像中的黑色区域肯定是真实背景。 (6)使用膨胀图减去前景图，得到不确定区域，这部分区域不确定是硬币还是背景，这些区域通常在前景和背景接触的区域(或者两个不同硬币接触的区域)，称之为边界。通过分水岭算法应该能找到确定的边界。 (7)现在可以确定哪些是硬币区域，哪些是背景区域。然后需要创建标记(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。 (8)可以使用 connectedComponents() 来实现这个功能，它是用0标记图像的背景，用大于0的整数标记其他对象。但是OpenCV的分水岭分割函数，会用0表示不确定区域，所以需要对标记统一加一，然后将上一步计算的不确定区域部分标记为0. (9)现在可以调用watershed函数分割图像，如下： watershed(src, markers); (10)maker中标记为-1的地方就是分界线，makers中的最大值减1就是统计的个数。

以下是 Opencv c++ 代码实现分水岭分割算法，实现对图像的分割：

#include <opencv2/opencv.hpp>
#include <iostream>

using namespace cv;
using namespace std;

int main()
{
    Mat img = imread("coins.jpg", IMREAD_GRAYSCALE);
    if (img.empty())
    {
        cout << "Could not read the image!" << endl;
        return -1;
    }

    // Otsu's 二值化
    Mat binary;
    threshold(img, binary, 0, 255, THRESH_BINARY | THRESH_OTSU);

    // 开运算去除细小白色噪点
    Mat kernel = getStructuringElement(MORPH_ELLIPSE, Size(5, 5));
    morphologyEx(binary, binary, MORPH_OPEN, kernel);

    // 距离变换
    Mat dist;
    distanceTransform(binary, dist, DIST_L2, 3);

    // 取硬币中心像素值最大的区域作为前景图像
    normalize(dist, dist, 0, 1, NORM_MINMAX);
    threshold(dist, dist, 0.5, 1.0, THRESH_BINARY);

    // 膨胀运算
    Mat kernel2 = getStructuringElement(MORPH_ELLIPSE, Size(9, 9));
    dilate(dist, dist, kernel2);

    // 计算不确定区域
    Mat sure_bg;
    threshold(dist, sure_bg, 0.5, 1.0, THRESH_BINARY_INV);
    Mat sure_fg;
    threshold(dist, sure_fg, 0.5, 1.0, THRESH_BINARY);

    // 不确定区域
    Mat uncertain;
    Mat uncertain_temp;
    subtract(sure_bg, binary, uncertain_temp);
    subtract(uncertain_temp, sure_fg, uncertain);

    // 创建标记
    Mat marker(binary.size(), CV_32S);
    marker.setTo(0);
    marker.setTo(1, sure_bg);
    marker.setTo(2, uncertain);
    marker.setTo(3, sure_fg);

    // 分水岭算法
    watershed(img, marker);

    // 统计硬币个数
    int coin_count = 0;
    for (int i = 0; i < marker.rows; i++)
    {
        for (int j = 0; j < marker.cols; j++)
        {
            if (marker.at<int>(i, j) == -1)
            {
                coin_count++;
            }
        }
    }

    cout << "The number of coins is: " << coin_count << endl;

    // 显示结果
    Mat result;
    convertScaleAbs(marker, result);
    imshow("Result", result);

    waitKey(0);
    return 0;
}

这个程序实现了对硬币图像的分割，并统计了硬币的个数。