计算机视觉应用--图像分割.ptx.pptx

图像分割2.4

2.4图像分割在先前的例子中,当载人图像时,可通过调用array()函数将图像转换成NumPy的数组对象。NumPy中的数组对象是多维的,可以用来表示向量、矩阵和图像。一个数组对象类似于一个列表(或列表的列表),但是数组中所有的元素必须具有相同的数据类型。除非创建数组对象时指定数据类型,否则会按照数据的类型自动确定。以图像数据为例,具体代码如下:

图像分割是一项重要的计算机视觉任务,它旨在将图像分成不同的区域或类别,使相似属性的像素归于一类,以便更轻松地分析图像。这个过程有助于简化图像的表达,提供更有意义的信息。本节将介绍几种常见的图像分割方法,包括基于阈值、基于边缘和基于区域的方法。2.4图像分割

2.4.1基于阈值的图像分割基于阈值的图像分割方法称为阈值法。阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值,并将图像中每个像素的灰度值与阈值相比较,最后根据比较结果将像素分到合适的类别中。因此,该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。二值化是指将像素值作为阈值,从灰度图像中创建二值图像(只有黑白像素的图像)的一系列算法。它提供了从图像背景中分割目标的最简单方法。阈值可以手动选择(通过查看像素值的直方图),也可以使用算法自动选择。在scikit-image中,有两种阈值算法,一种是基于直方图的阈值算法(使用像素强度直方图,并假定直方图的某些特性为双峰型),另一种是局部的阈值算法(仅使用相邻的像素来处理像素,这使得这些算法的计算成本更高)2.4图像分割

2.4图像分割本节仅讨论一种流行的基于直方图的二值化方法,称为Otsu分割法(假设直方图为双峰型)。它通过同时最大化类间方差和最小化由该阈值分割的两类像素之间的类内方差来计算最优阈值。下面以房屋作为输入图像(ceramic-houses_t0.png),采用Otsu分割法实现图像分割,并计算出最优阈值,以将前景从背景中分离出来。具体代码如

2.4图像分割

2.4图像分割

运行上述代码,Otsu方法计算的最优阈值在直方图中以红线标示,如图2-18所示。根据最优阈值可将前景从背景中分离出来,如图2-19所示。2.4图像分割

2.4图像分割

2.4.2基于边缘的图像分割边缘是指图像中两个不同区域的边界线上连续的像素点的集合,是图像局部特征不连续性的反映,体现了灰度、颜色、纹理等图像特性的突变。通常情况下,基于边缘的分割方法指的是基于灰度值的边缘检测,它是建立在边缘灰度值会呈现出阶跃型或屋顶型变化这一观测基础上的方法。本例将尝试使用基于边缘的分割来描绘硬币的轮廓。为此,先使用Canny边缘检测器获取特征的边缘,具体代码如下:2.4图像分割小知识图像分割是将图像分成若干具有独特性质的区域并提取感兴趣目标的技术和过程。

2.4图像分割

运行上述代码,使用Canny边缘检测器得到的硬币轮廓如图2-20所示。2.4图像分割

然后使用scipyndimage模块中的形态学binary_fill_holes()函数填充这些轮廓,具体代码如下:2.4图像分割

运行上述代码,输出硬币的填充轮廓,如图2-21所示。2.4图像分割

从图2-21中可以看到,有三枚硬币的轮廓没有被填充。在接下来的步骤中,将通过为有效目标设置最小尺寸,并再次使用形态学函数来删除诸如此类的小伪目标。这次使用的是scikit-image形态学模块的remove_small_objects()函数,具体代码如下:2.4图像分割

2.4图像分割运行上述代码,输出结果如图2-22所示。基于边缘的图像分割方法并不是很健壮,因为非完全闭合的轮廓没有被正确填充,正如图2-23中未被填充的三枚硬币一样。

2.4.3基于区域的图像分割基于区域的分割方法是将图像按照相似性准则分成不同的区域,主要包括种子区域生长法、区域分裂合并法和分水岭法等。本节将使用形态学分水岭算法对同一幅图像应用基于区域的图像分割方法。任何灰度图像都可以看作一个地表面。当该表面从其最低点开始被淹没,并且该表面防止来自不同方向的水流聚集时,图像就被分割成两个不同的集合,即集水盆和分水岭线。如果将这种分割(分水岭变换)应用于图像梯度,在理论上集水盆应与图像的同质的灰度区域(片段)相对应。然而,在实际应用中,由于梯度图像中存在噪声或局部不规则性,使用变换时图像会过度分割。为了防止过度分割,使用一组预定义标记,从这些标记开始对地表面进行注水浸没。因此,通过分水岭变换分割图像的步骤如下。2.4图像分割

2.4图像分割(2)利用这两个元素运行标记控制的分水岭算法。(1)找到标记和分割准则(用于分割区域的函数,通常是图像对比度或梯度)

现在,使用scikit-image中的形态学分水岭算法