图像分割算法集成

1，unet++(以及unet，fcn的深入思考)

《UNet++: A Nested U-Net Architecture for Medical Image Segmentation》

视频地址：http://www.mooc.ai/course/549/learn#lesson/2859

论文地址：https://arxiv.org/pdf/1807.10165.pdf

源码地址：https://github.com/MrGiovanni/Nested-UNet

视频译文：https://www.jianshu.com/p/3d9df4aa69bb

 

 

2，较常用的语义分割方法综述

https://blog.csdn.net/u013580397/article/details/78508392

 

 

3，利用传统算法分割出图像中的圆形区域：

cv2.HoughCircles(img,method,dp,minDist,circles,param1,param2,minRadius,maxRadius)函数的参数如下：

• img为输入图像，需要是灰度图。
• method为检测方法，常用cv2.HOUGH_GRADIENT
• dp为检测内侧圆心的累加器图像的分辨率于输入图像之比的倒数，如dp=1，累加器和输入图像具有相同的分辨率，如果dp=2.累加器便有输入图像一半那么大的宽度和高度。
• minDist表示两个圆之间圆心的最小距离。
• param1有默认值100，它是method设置的检测方法对应的参数，对当前唯一的方法霍夫梯度法cv2.HOUGH_GRADIENT，它表示传递给Candy边缘检测算子的高阈值，而低阈值为高阈值的一半。
• param2有默认值100，它是method设置的检测方法对应的参数，对当前唯一的方法霍夫梯度法cv2.HOUGH_GRADIENT,它表示在检测阶段圆心的累加器阈值，它越小，就越可以检测到更多根本不存在的圆，而它越大的话，能通过检测的圆就更接近完美的圆形了。
• minRadius有默认值0，圆半径的最小值。
• maxRadius有默认值0，圆半径的最大值。

利用Hough变换在图像中寻找圆，输出三个参数：圆心位置和半径

，

示例：

img = cv2.imread('./image/img20.jpg')
#转换为灰度图片
gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
#中值滤波
gray = cv2.medianBlur(gray,ksize=3)
此处看需要加入canny算子，以canny算子的输出作为Hough变换的输入；
#圆检测
circles = cv2.HoughCircles(gray,cv2.HOUGH_GRADIENT,1,120,param1=100,param2=30,minRadius=0,maxRadius=0)
print('circles',type(circles),circles.shape)  #circles <class 'numpy.ndarray'> (1, 3, 3)
circles = np.uint16(np.around(circles))
for i in circles[0,:]:
    #绘制圆 (i[0],i[1])为圆心，i[2]为半径
    cv2.circle(img,(i[0],i[1]),i[2],(0,255,0),2)
    #绘制圆心
    cv2.circle(img,(i[0],i[1]),2,(255,0,0),3)
cv2.imshow('circles',img)