使用Julia进行图像处理--图像分割(1)，Python开发面试题

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Python全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Python知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024c （备注Python）

正文

图像分割是将图像的像素聚类或划分为与各个对象或对象的各个部分相对应的一组区域的过程。

医学图像处理，物体检测，人脸识别，行人检测和卫星照片分析结合了图像分割技术。图像分割技术可以简化和压缩图像大小。

有两种方法可以解决图像分割问题-有监督和无监督，即通过手动定义分割区域的数量或让算法完全完成工作。

种子区域增长

识别简单的对象

将前景对象（即猫）与背景的其余部分分开，首先将该图像加载到Julia中并对其进行预览：

using Images, ImageView, ImageSegmentation

img = load(“cat-3352842_640.jpg”);

imshow(img)

Julia实现了seeded_region_growing函数以完成分割任务。seeded_region_growing函数需要以下参数：

1. 一个图像

2. 一组指定每个分割区域的点

seeded_region_growing函数需要手动提供图片的坐标。例如上图中，最简单的选择是将光标悬停在猫上，然后从预览窗口的左下角记下坐标，如[220，250]。还需要草的值，如[220，500]。

ImageSegmentation包要求将所有分割块定义为CartesianIndex元组的数组以及块号：

seeds = [

(CartesianIndex(220,250), 1),

(CartesianIndex(220,500), 2)

]

定义种子后，调用seeded_region_growing函数，该函数将每个像素分配给一个块，如下所示：

segments = seeded_region_growing(img, seeds)

使用map函数将每个像素的块号替换为块的平均颜色值：

imshow(map(i->segment_mean(segments,i), labels_map(segments)))

这将导致图像包含两种颜色，绿色代表草，另一种代表猫。由于图像相对简单并且可以轻松分离猫，因此结果的质量很高：

尽管该方法涉及手动工作，但在为神经网络执行的图像分割任务准备训练数据集时，它可能很方便。

识别复杂对象

尝试分离或分割无法轻易与背景分离或由多个部分组成的对象。尝试使用一张鸟的图像：

运行上一节中的代码，看看它是否需要任何改进：

using Images, ImageView, ImageSegmentation

img = load(“bird-3183441_640.jpg”);

seeds = [

(CartesianIndex(220,250), 1), # apprx. object location

(CartesianIndex(220,500), 2) # background location

]

segments = seeded_region_growing(img, seeds)

imshow(map(i->segment_mean(segments,i), labels_map(segments)))

从下面的图像中，可以看出它的最终效果与猫的图像不同。分割过程无法完全分离对象：

复杂之处在于，鸟由多种颜色组成，其中有些与背景相似。尝试定义更多的分割，看看是否可以改善结果。与上一节相同，将鼠标悬停在图像的不同区域上并记下坐标：

img = load(“bird-3183441_640.jpg”);

seeds = [

(CartesianIndex(240,120), 1),

(CartesianIndex(295,70), 2),

(CartesianIndex(319,40), 3),

(CartesianIndex(90,300), 4),

(CartesianIndex(295,325), 5),

(CartesianIndex(76,135), 6) # background color

]

segments = seeded_region_growing(img, seeds)

imshow(map(i->segment_mean(segments,i), labels_map(segments)))

定义更多的分割有助于分离对象。还可以看到每个区域的平均颜色有多大差异，从沙色到黑色变化：

这种方法的最大缺点是必须手动定义分割区域。

无监督方法

---

无监督方法不需要标记区域或手动选择区域。识别分割块的过程是全自动的，具有一些可用于设置最小块大小和细分程度的超参数。

基于图的方法

使用Felzenszwalb算法，这是一种无监督且高效的基于图的方法。在计算机视觉中广泛应用。使用Felzenszwalb算法的好处如下：

1. 少数超参数

2. 快速，线性时间复杂度

Julia在felzenszwalb函数中实现了Felzenszwalb算法，该函数是ImageSegmentation包的一部分。 felzenszwalb具有两个参数：

1. 区域合并步长的阈值；值越大，分割越大，通常将其设置为10到500

2. 最小的块大小（可选）；通常为20或更高

根据任务，修改参数值。从加载包和图像开始：

using Images, ImageView, ImageSegmentation

img = load(“cat-3352842_640.jpg”);

imshow(img);

尝试使用合并步长阈值为75的Felzenszwalb算法，并比较其在最小段大小的不同值下的性能：

segments_1 = felzenszwalb(img, 75)

segments_2 = felzenszwalb(img, 75, 150)

segments_3 = felzenszwalb(img, 75, 350)

segment_x变量保留有关每个像素及其类的信息。

当比较Felzenszwalb算法的三种不同结果时，将从分割块到颜色的转换作为单独的函数：

segment_to_image(segments) = map(i->segment_mean(segments, i), labels_map(segments))

将结果合并在一起，并用黑线将它们分开：

img_width = size(img, 2)

new_img = hcat(

segment_to_image(segments_1),

segment_to_image(segments_2),

segment_to_image(segments_3)

)

new_img[:, img_width] = new_img[:, img_width*2] .= colorant"black"

imshow(new_img)

尽管该算法的性能不如监督方法，但结果仍然可以接受。还应该注意三个不同图像上的细节数量。通过将最小片段大小从0像素增加到150和350像素，第二张图像减少了的细节数量，第三张图像中删除了的大多数前景和背景细节。

为前例中鸟的图像运行相同的代码，然后为这两个参数尝试不同的值。在下面的代码示例中，使用设置(10)，(30,50)和(35,300)来运行felzenszwalb函数。

load an image

img = load(“bird-3183441_640.jpg”);

find segments

segments_1 = felzenszwalb(img, 10)

segments_2 = felzenszwalb(img, 30, 50)

segments_3 = felzenszwalb(img, 20, 350)

the rest of the code from a previous example

…

第一次分割将鸟分离得很好，并保留了图像的大部分细节。第二个和第三个版本都是原始图像的简化版本，第三个图像很好地选择了前景区域，如下图所示：

快速扫描算法

快速扫描算法是另一种无监督的图像分割算法。快速扫描算法可有效用于食物，运动和医学图像。它通过扫描图像中的像素并将相似阈值内相似的相邻像素分组来工作。

Julia在fast_scanning函数中实现了快速扫描算法，该函数是Julia的ImageSegmentation软件包的一部分。 fast_scanning函数具有三个输入参数：

1. 图像：彩色或灰度

（1）Python所有方向的学习路线（新版）

这是我花了几天的时间去把Python所有方向的技术点做的整理，形成各个领域的知识点汇总，它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

最近我才对这些路线做了一下新的更新，知识体系更全面了。

（2）Python学习视频

包含了Python入门、爬虫、数据分析和web开发的学习视频，总共100多个，虽然没有那么全面，但是对于入门来说是没问题的，学完这些之后，你可以按照我上面的学习路线去网上找其他的知识资源进行进阶。

（3）100多个练手项目

我们在看视频学习的时候，不能光动眼动脑不动手，比较科学的学习方法是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！
是在理解之后运用它们，这时候练手项目就很适合了，只是里面的项目比较多，水平也是参差不齐，大家可以挑自己能做的项目去练练。

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024c （备注python）
[外链图片转存中…(img-ByOVHaWL-1713232254313)]

一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！