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)