使用Julia进行图像处理--图像分割，【2024Python最新学习路线

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

2. 阈值：图像范围内的浮点值或矩阵

3. diff_fn（可选）：计算差异的自定义函数

自我介绍一下，小编13年上海交大毕业，曾经在小公司待过，也去过华为、OPPO等大厂，18年进入阿里一直到现在。

深知大多数Python工程师，想要提升技能，往往是自己摸索成长或者是报班学习，但对于培训机构动则几千的学费，着实压力不小。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Python开发全套学习资料》，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，同时减轻大家的负担。

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，基本涵盖了95%以上Python开发知识点，真正体系化！

由于文件比较大，这里只是将部分目录大纲截图出来，每个节点里面都包含大厂面经、学习笔记、源码讲义、实战项目、讲解视频，并且后续会持续更新

如果你觉得这些内容对你有帮助，可以添加V获取：vip1024c （备注Python）

最后

Python崛起并且风靡，因为优点多、应用领域广、被大牛们认可。学习 Python 门槛很低，但它的晋级路线很多，通过它你能进入机器学习、数据挖掘、大数据，CS等更加高级的领域。Python可以做网络应用，可以做科学计算，数据分析，可以做网络爬虫，可以做机器学习、自然语言处理、可以写游戏、可以做桌面应用…Python可以做的很多，你需要学好基础，再选择明确的方向。这里给大家分享一份全套的 Python 学习资料，给那些想学习 Python 的小伙伴们一点帮助！

👉Python所有方向的学习路线👈

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。

👉Python必备开发工具👈

工欲善其事必先利其器。学习Python常用的开发软件都在这里了，给大家节省了很多时间。

👉Python全套学习视频👈

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。

👉实战案例👈

学python就与学数学一样，是不能只看书不做题的，直接看步骤和答案会让人误以为自己全都掌握了，但是碰到生题的时候还是会一筹莫展。

因此在学习python的过程中一定要记得多动手写代码，教程只需要看一两遍即可。

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

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，都欢迎扫码加入我们的的圈子（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！

b883.png)

👉大厂面试真题👈

我们学习Python必然是为了找到高薪的工作，下面这些面试题是来自阿里、腾讯、字节等一线互联网大厂最新的面试资料，并且有阿里大佬给出了权威的解答，刷完这一套面试资料相信大家都能找到满意的工作。

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，都欢迎扫码加入我们的的圈子（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！
[外链图片转存中…(img-MF0Zgu6P-1712781328361)]