点击下方卡片，关注“OpenCV与AI深度学习”
视觉/图像重磅干货，第一时间送达
背景介绍
实例演示与实现步骤
简单分析：
上图中粘连区域较多，且粘连部分与药片本身高度差异不是很大，使用形态学或者分水岭算法很难将其简单分割出来。
考虑可行的方法[1]层层突破，先分割独立药片，在逐步分割粘连药片。[2] 深度学习实例分割方法。
本文还是采用传统方法[1]来实现。
实现步骤：
阈值分割
形态学腐蚀 + 开运算
根据面积大小筛选，提取单独分离的药片
膨胀--使轮廓接近原始大小(并备份此区域 + 计数)
区域做差，提取剩余粘连药片部分
求各区域对应凸包
凸包与凸包处理前区域做差
开运算
闭运算(这个时候就凸显了Halcon Region的好处，可以对各个Region单独处理，如果是OpenCV基本会粘连成一片)
闭运算结果与粘连药片区域做差
根据面积大小筛选，剩余药片部分
膨胀回原来大小
把刚刚提取的药片叠加到第【1】步结果
循环步骤【2】，直到当前轮廓数量为0，计数累加
—THE END—
下载1：Pytorch常用函数手册
欢迎加入CV学习交流微信群！
