【Opencv】图像分割——区域生长

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Java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。

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Java开发知识点，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：xhs1999xhs （备注Java）

正文

文章目录

• 1 环境
• 2 效果
• 3 原理
• 4 案例

1 环境

• Python 3.8.8
• PyCharm 2021
• opencv-python

2 效果

3 原理

区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点，然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素（根据某种事先确定的生长或相似准则来判定）合并到种子像素所在的区域中。将这些新像素当做新的种子像素继续进行上面的过程，直到再没有满足条件的像素可被包括进来，这样，一个区域就长成了。
  区域生长的算法实现：

• 根据图像的不同应用选择一个或一组种子，它或者是最亮或最暗的点，或者是位于点簇中心的点，当然也可以手动选择种子点。
• 选择一个描述符（条件），常见的有基于区域灰度差、基于区域灰度分布统计性质。
• 从该种子开始向外扩张，首先把种子像素加入结果集合，然后不断将与集合中各个像素连通、且满足描述符的像素加入集合。
• 上一过程进行到不再有满足条件的新结点加入集合为止。

4 案例

本次案例采用了一张医学图像，为肺部 CT 图像，提取肺的轮廓以判断肺的健康性。

实现的主要流程如下：

• 读入CT图片，让图片和鼠标进行交互，在三个位置进行左击鼠标生成三个红点，保存每次点击时的

(

y

,

x

)

(y,x)

(y,x) 到开始的

s

e

e

d

s

seeds

seeds 中，完成

s

e

e

d

s

seeds

seeds 初始化。完成此过程的为

c

v

s

e

t

M

o

u

s

e

C

a

l

l

b

a

c

k

(

)

cv2.setMouseCallback()

cv2.setMouseCallback()。

• 以上面步骤得到的

s

e

e

d

s

seeds

seeds 进行区域生长，创建与原

C

T

CT

CT 图大小相同的空白图

s

e

e

d

M

a

r

k

seedMark

seedMark，根据初始化的种子点的坐标在

s

e

e

d

M

a

r

k

seedMark

seedMark 标记为

255

255

255。在定义种子点的八领域坐标，当种子与其八邻域的像素差大于

6

6

6 且之前在

s

e

e

d

M

a

r

k

seedMark

seedMark 没有被标记过时，则不合并，反之将其与种子进行合并，方式为令

s

e

e

d

M

a

r

k

seedMark

seedMark 的对应坐标的像素为

255

255

255，并将其存入种子队列作为下次生长时的种子，将当前种子点从种子队列中去除。

• 输入

q

q

q 回车结束交互，效果展示。

代码：

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
from collections import deque

# 计算种子点和其领域的像素值之差
def getGrayDiff(gray, current_seed, tmp_seed):
    return abs(int(gray[current_seed[0], current_seed[1]]) - int(gray[tmp_seed[0], tmp_seed[1]]))

# 区域生长算法
def regional\_growth(gray, seeds):
	#八领域
    connects = [(-1, -1), (0, -1), (1, -1), (1, 0), \
                (1, 1), (0, 1), (-1, 1), (-1, 0)]
    seedMark = np.zeros((gray.shape))
    height, width = gray.shape
    threshold = 6
    seedque = deque()
    label = 255
    seedque.extend(seeds)

    while seedque :
    	#队列具有先进先出的性质。所以要左删
        current_seed = seedque.popleft()
        seedMark[current_seed[0], current_seed[1]] = label
        for i in range(8) :
            tmpX = current_seed[0] + connects[i][0]
            tmpY = current_seed[1] + connects[i][1]
            #处理边界情况
            if tmpX < 0 or tmpY < 0 or tmpX >= height or tmpY >= width :
                continue

            grayDiff = getGrayDiff(gray, current_seed, (tmpX, tmpY))
            if grayDiff < threshold and seedMark[tmpX, tmpY] != label :
                seedque.append((tmpX, tmpY))
                seedMark[tmpX, tmpY] = label
    return seedMark

#交互函数
def Event\_Mouse(event, x, y, flags, param) :
	#左击鼠标
    if event == cv.EVENT_LBUTTONDOWN :
    	#添加种子
        seeds.append((y, x))
        #画实心点
        cv.circle(img, center = (x, y), radius = 2,
                  color = (0, 0, 255), thickness = -1)

def Region\_Grow(img):
    cv.namedWindow('img')
    cv.setMouseCallback('img', Event_Mouse)
    cv.imshow('img', img)

    while True :
        cv.imshow('img', img)
        if cv.waitKey(1) & 0xFF == ord('q') :
            break
    cv.destroyAllWindows()


    CT = cv.imread('images/CT.png', 1)
    seedMark = np.uint8(regional_growth(cv.cvtColor(CT, cv.COLOR_BGR2GRAY), seeds))

    cv.imshow('seedMark', seedMark)
    cv.waitKey(0)

    plt.figure(figsize=(12, 4))
    plt.subplot(131), plt.imshow(cv.cvtColor(CT, cv.COLOR_BGR2RGB))
    plt.axis('off'), plt.title(f'$input\\_image$')
    plt.subplot(132), plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))
    plt.axis('off'), plt.title(f'$seeds\\_image$')
    plt.subplot(133), plt.imshow(seedMark, cmap='gray', vmin = 0, vmax = 255)
    plt.axis('off'), plt.title(f'$segmented\\_image$')
    plt.tight_layout()
    plt.show()
    
if __name__ == '\_\_main\_\_':
    img = cv.imread('./images/CT.png')
    seeds = []
    Region_Grow(img)

最后

小编利用空余时间整理了一份《MySQL性能调优手册》，初衷也很简单，就是希望能够帮助到大家，减轻大家的负担和节省时间。

关于这个，给大家看一份学习大纲（PDF）文件，每一个分支里面会有详细的介绍。

这里都是以图片形式展示介绍，如要下载原文件以及更多的性能调优笔记（MySQL+Tomcat+JVM）！

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：xhs1999xhs （备注Java）

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！
//img-blog.csdnimg.cn/488a9baf9bea44528c9a7e1528372991.png#pic_center)

最后

小编利用空余时间整理了一份《MySQL性能调优手册》，初衷也很简单，就是希望能够帮助到大家，减轻大家的负担和节省时间。

关于这个，给大家看一份学习大纲（PDF）文件，每一个分支里面会有详细的介绍。

[外链图片转存中…(img-Fz0fDD8F-1713683798657)]

这里都是以图片形式展示介绍，如要下载原文件以及更多的性能调优笔记（MySQL+Tomcat+JVM）！

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：xhs1999xhs （备注Java）
[外链图片转存中…(img-5qubyBoz-1713683798658)]

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！