區域增長算法

目標

掌握區域生長法的基本思想

掌握圖像分裂合并分割的基本思想及步驟

區域生長法分割

大津算法的局限性：噪聲比較嚴重的圖片、分割目標顏色漸變的情況，分割效果差。
區域生長：從種子點開始，按照一定準則（如相鄰像素灰度相似性）向周圍擴散，將鄰域相似像素加入區域中。
按照擴散順序，分為廣度優先搜索（優先比較原像素所有周邊像素）和深度優先搜索（比較原像素某一特定方向的像素）。

區域生長實現步驟：

對圖像順序掃描。找到第1個還沒有歸屬的像素，設像素為($x_0,y_0$);

以($x_0,y_0$)為中心，考慮($x_0,y_0$)的8鄰域像素$(x,y)$，如果$(x,y)$滿足生長準則，將$(x,y)$與($x_0,y_0$)合并，同時將$(x,y)$壓入堆棧；

從堆棧中取出一個像素，把它當作$(x_0,y_0)$返回到步驟2；

當堆棧為空時，返回步驟1；

重復步驟1-4直到圖像中的每個點都有歸屬時，生長結束。

區域分裂合并

圖像分裂：分裂合并可采用基于四叉樹的數據表示
對于像素方差不大的區域不用分裂，像素方差大的區域進行分裂。將相鄰像素的區域進行合并。
實現步驟：

對區域分裂合并法無需預先指定種子點，它按某種一致性準則分裂或合并區域

可以先進行分裂運算，然后再進行合并運算；也可以分裂和合并運算同時進行，經過連續的分裂和合并，最后得到圖像的精確分割效果。

分裂合并法對分割復雜的場景圖像比較有效。

總結

區域生長法基于相鄰像素間的相似性，由種子像素逐步生長得到

分裂-合并基于圖像塊內在的相似性，通過不斷分裂得到區域外邊界，通過合并將不同塊連接

分水嶺算法

目標

掌握分水嶺算法的基本思想

了解分水嶺算法的運行步驟

分水嶺算法分割

• 如果以圖像位置$(x,y)$為坐標，則圖像$(x,y)$可以看作是地形俯視圖，其中“山峰的高度”與圖像中的灰度值對應。
• 假設在每個“盆地”的最低點開始打洞讓水漫上來，并且讓水以均勻速率上升，那么，當不同“盆地”的水開始匯聚時，能通過修建一個“水壩”==擋住這種聚合的弧線就是圖像的分界線。
  
  在漫水過程中，存在三種類型的點：
• 局部極小值點，該點對應一個盆地的最低點，當我們在盆地滴一滴水的時候，由于重力作用，水最終會匯聚到該點。注意：可能存在一個最小值面，該平面內都是最小值點。
• 盆地的其它位置點，該位置滴的水滴會匯聚帶局部最小點。
• 盆地的邊緣點，是該盆地和其它盆地交接點，在該點滴一滴水，會等概率的流向任何一個盆地。

符號：
$T[n]$：滿足灰度$<n$的所有圖像點的集合；
$C(M_i)$：與區域最小值集合$M_i$相聯系的盆地圖像點集合
$C[n]$：在第n階灰度計算的圖像區域集合，$C[n]={\cup }_{i=1}^R{C}_n(M_i)$
目標：迭代計算$C[n]$，進一步獲得區域分割線(水壩)
步驟：

初始化：從最低水面(最低灰度對應的點集)開始，對應$C[min+1]=T[min+1]$

迭代計算：由$C[n?1]$計算$C[n]$：
令$Q$表示$T[n]$中連通分量的點集。對每個分量$q\in Q$，如下處理：
(1)$q\cap C[n?1]=?$:發現新的區域，連通分量q并入$C[n]$
(2)$q\cap C[n?1]$:填充未溢出(到別的盆地)；連通分量q并入$C[n]$
(3)$q\cap C[n?1]$包含$C[n?1]$中的多個分量：填充溢出；在q內構筑水壩，方法同前

分水嶺算法的過分割問題

由于噪聲或者其它干擾因素的存在，使用分水嶺算法常常存在過度分割的現象，這是因為很多很小的局部極值點的存在。
在初始時給marker，改善過分割問題：

為了解決過分割的問題，可以使用基于標記（mark）圖像的分水嶺算法，就是指定mark圖像(圖中紅色區域)，在這個區域的洪水淹沒過程中，水平面都是定義的marker開始的，這樣可以避免一些很小的噪聲極值區域的分割。
使用marker改善分割結果:

總結：

分水嶺算法基本思想來源于由低到高"漫水"和“修建水壩”。分割過程通過漫水和膨脹，按照不同灰度級迭代進行。

圖像分割實戰演練(II)

目標：

使用OpenCV實現區域漫水填充

使用OpenCV實現分水嶺分割

相關函數

• 漫水填充(區域生長法)

retval, image, mask, rect = cv2.floodFill(image, mask, seedPoint, newVal[, loDiff[, upDiff[, flags]]]) #image:輸入圖像，可以是一通道或者是三通道。 #mask:操作掩膜。 單通道，8位，在長寬上都比原圖像image多2個像素點。漫水填充不會填充掩膜區域的非0像素點，所以說掩膜是屏蔽了漫水填充的處理。如邊緣檢測算子的輸出可以用來作為掩膜，這樣可防止邊緣區域不被填充。因為掩膜比原圖像大，所以掩膜中的(x,y)，對應的原圖像的像素點為(x+1,y+1)。 #seedPoint:Point類型，漫水填充的種子點，即起始點。 #newVal:Scalar類型，被填充的像素點新的值 #rect:Rect*類型，有默認值0，可選的參數，設置函數將要重繪區域的最小邊界矩形區域 #loDiff：Scalar類型，有默認值Scalar()，表示當前的觀察點像素值與其相鄰區域像素值或待加入該區域的像素之間的亮度或顏色之間負差(lower brightness/color difference)的最大值。 #upDiff:Scalar類型，有默認值Scalar()，表示當前的觀察點像素值與其相鄰區域像素值或待加入該區域的像素之間的亮度或顏色之間正差(lower brightness/color difference)的最大值。 #flags:int類型，操作位標識符，包括三個部分,控制算法連通性等： # 1.低八位（0-7）：控制算法的連通性，設置為4：填充算法只考慮當前像素點垂直和水平方向；設置為8：除垂直和水平方向，還會考慮對角線的相鄰點 # 2.高八位(16-23)：可以為0或者下列兩種標識符組合。# FLOODFILL_FIXED_RANGE:考慮種子像素與種子像素之間的差，否則考慮當前像素與與鄰近像素的差。# FLOODFILL_MASK_ONLY :如果設置這個標識符，函數不會填充或改變原始圖像（也就是忽略的newVal），而是去填充掩膜圖像。# 3.中間八位：用于指定填充掩碼圖像的值，如果flags中間八位值為0，則掩碼會用1填充

• 分水嶺法圖像分割

makers = cv2.watershed(image, markers) #image：三聯通彩色圖像 #markers：記號點(種子點)，每一個記號需要有不同的編號

解決思路：

圖像采集(取到圖像)

圖像預處理

使用距離變換或計算圖像梯度，得到分水嶺處理圖像

應用分水嶺算法分割

圖像特征描述及目標分析

得到最終結果

import cv2 import numpy as npimg = cv2.imread('C:/python/img/water_coins.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # noise removal kernel = np.ones((3, 3),np.uint8) opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations= 2)#sure background area sure_bg = cv2.dilate(opening, kernel, iterations=3)cv2.imshow("threshold",thresh) #閾值化圖像 cv2.imshow("Opened image",opening) #開運算圖像 cv2.imshow("Dilated image",sure_bg) #膨脹后圖像cv2.waitKey() cv2.destroyAllWindows()

讀入圖像，轉換為灰度圖像；

使用大津算法二值化；

使用形態學開運算二次去掉小的白色噪點，使用膨脹運算確保背景與原圖一致

#Finding sure foreground area dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5) ret, sure_bg = cv2.threshold(dist_transform, 0.7*dist_transform.max(), 255, 0)#Finding unkown region sure_fg = np.uint8(sure_fg) unkown = cv2.subtract(sure_bg, sure_fg)cv2.imshow("dist_ret", dist_transform) cv2.imshow("threshold", sure_fg) cv2.imshow("unkown regions", unkown)cv2.waitKey() cv2.destroyAllWindows()

使用距離變換(distance Transform)計算每個硬幣中心。采用腐蝕變換可以實現類似效果

使用閾值化得到分離的硬幣

通過相減得到相連接硬幣的不確定區域(有待分割計算)

#Marker labelling ret, markers = cv2.connectedComponents(sure_fg)#Add one to all labels so that sure background is noe 0,but 1 markers = markers + 1 #Now, mark the region of unknown with zero markers[unkown==255]=0markers = cv2.watershed(img, markers) img[markers == -1] = [255, 0, 0]markers = np.uint8(markers)cv2.imshow('result image', img) cv2.imshow('result', markers)cv2.waitKey() cv2.destroyAllWindows()

使用connectedComponents給每個連通區域做標記，標記從0開始。0為背景

標記值+1，讓標記從1開始

不確定區域標記置為0，便于下一步分割

使用watershed做分水嶺標記

分割線(水壩)用藍色標記

總結

以上是生活随笔為你收集整理的图像分割II的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。