【python】【openCV】分水岭算法

最新推荐文章于 2024-04-26 11:38:03 发布
最新推荐文章于 2024-04-26 11:38:03 发布
阅读量1k 收藏 17
点赞数 1
分类专栏： 实验记录 文章标签： opencv 计算机视觉
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_40690815/article/details/109202713
版权

脑血管医学图像颅内分割尝试——分水岭算法

本篇博客原目的同https://blog.csdn.net/qq_40690815/article/details/105377094，但早期代码不够规范，整理时间较晚。
参考博客https://segmentfault.com/a/1190000015690356

code 1.2 不分割颅内直接分割



import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
import string
import pylab


def pltImgShow(image):
    plt.title('pltImgShow')
    plt.imshow(image)
    plt.show()

img1 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0061.tif"
img2 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0073.tif"
img3 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0085.tif"
img4 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0097.tif"
img5 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0109.tif"
img6 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0121.tif"
img7 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0133.tif"
img8 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0145.tif"
img9 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0157.tif"
img10 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0169.tif"

img = cv.imread('D:/auxiliaryPlane/project/Python/medImgSegment/imgData/'+img5)
plt.subplot(2,3,1)
plt.title('original')
plt.imshow(img)

# 灰度图，但其实原来的图片的RGB通道的值都相同
img_gray = cv.cvtColor(img,cv.COLOR_RGB2GRAY)
plt.subplot(2,3,2)
plt.title('img_gray')
plt.imshow(img_gray)
# 二值图像
ret, thresh = cv.threshold(img_gray,254,255,cv.THRESH_BINARY)
# thresh = cv.bitwise_not(thresh, thresh)
plt.subplot(2,3,3) 
plt.title('thresh')
plt.imshow(thresh)
# 形态学变换，opening用3x3先腐蚀再膨胀，去掉个别点
kernel = np.ones((5,5),np.uint8) 
# 观察发现基本上3x3需要5次操作，5x5需要3次操作
opening = cv.morphologyEx(thresh,cv.MORPH_OPEN,kernel, iterations = 3)
# opening = cv.morphologyEx(opening,cv.MORPH_CLOSE,kernel, iterations = 3)

# kernel1 = np.ones((7,7),np.uint8) 
# opening = cv.erode(opening,kernel1,iterations=7)

dist_transform = cv.distanceTransform(opening,cv.DIST_L2,5)   
ret, sure_fg = cv.threshold(dist_transform,0.7*dist_transform.max(),255,cv.THRESH_BINARY)
sure_fg = np.uint8(sure_fg)
# unknown = cv.subtract(sure_bg,sure_fg)

# 我佛了，这个腐蚀倒是很清楚不要破坏连通性
print(opening.shape)
plt.subplot(2,3,4)
plt.title('opening')
plt.imshow(opening)

sure_bg = cv.dilate(opening,kernel,iterations=3)
sure_bg = cv.bitwise_not(sure_bg,sure_bg)       # 将二值图像的值反转
plt.subplot(2,3,5)
plt.title('sure_bg')
plt.imshow(sure_bg)
# 形态变换后基本上三次膨胀闭口就贴上了

nlabels, labels, stats, centroids = cv.connectedComponentsWithStats(sure_bg)
markers = labels
print(markers.shape)
markers = markers+1
img_gray[markers != 3] = 255
plt.subplot(2,3,6), plt.title('markers'), plt.imshow(markers)

plt.show()

markers = cv.watershed(img, markers)
img[markers == -1] = [255,0,0]
plt.subplot(1,2,1); plt.title('img'); plt.imshow(img)
plt.subplot(1,2,2); plt.title('markers'); plt.imshow(markers)
plt.show()

在这里插入图片描述
在这里插入图片描述

code 2.0 实验版

import cv2 as cv
import numpy as np
from matplotlib import pyplot as plt
import string
import pylab


def pltImgShow(image):
    plt.title('pltImgShow')
    plt.imshow(image)
    plt.show()

img1 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0061.tif"
img2 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0073.tif"
img3 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0085.tif"
img4 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0097.tif"
img5 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0109.tif"
img6 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0121.tif"
img7 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0133.tif"
img8 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0145.tif"
img9 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0157.tif"
img9 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0169.tif"

img = cv.imread('D:/auxiliaryPlane/project/Python/medImgSegment/imgData/'+img1)
plt.subplot(2,3,1)
plt.title('original')
plt.imshow(img)

# 灰度图，但其实原来的图片的RGB通道的值都相同
img_gray = cv.cvtColor(img,cv.COLOR_RGB2GRAY)
plt.subplot(2,3,2)
plt.title('img_gray')
plt.imshow(img_gray)
# 二值图像
ret, thresh = cv.threshold(img_gray,254,255,cv.THRESH_BINARY)
plt.subplot(2,3,3) 
plt.title('thresh')
plt.imshow(thresh)
# 形态学变换，opening用3x3先腐蚀再膨胀，去掉个别点
kernel = np.ones((5,5),np.uint8) 
# 观察发现基本上3x3需要5次操作，5x5需要3次操作
opening = cv.morphologyEx(thresh,cv.MORPH_OPEN,kernel, iterations = 3)
opening = cv.morphologyEx(opening,cv.MORPH_CLOSE,kernel, iterations = 3)
print(opening.shape)
plt.subplot(2,3,4)
plt.title('opening')
plt.imshow(opening)

sure_bg = cv.dilate(opening,kernel,iterations=3)
sure_bg = cv.bitwise_not(sure_bg,sure_bg)       # 将二值图像的值反转
plt.subplot(2,3,5)
plt.title('sure_bg')
plt.imshow(sure_bg)
# 形态变换后基本上三次膨胀闭口就贴上了

nlabels, labels, stats, centroids = cv.connectedComponentsWithStats(sure_bg)
markers = labels
print(markers.shape)
markers = markers+1

img_gray[markers != 3] = 255

plt.subplot(2,3,6)
plt.title('img_gray')
plt.imshow(img_gray)

plt.show()

################################# 此处脑内容分割完成 #################################

在这里插入图片描述

ret, thresh = cv.threshold(img_gray,0,255,cv.THRESH_BINARY_INV+cv.THRESH_OTSU)
# 将脑内容中的‘点’单独提取出来
# 不加这5行代码的效果很有意思

# thresh = cv.bitwise_not(thresh, thresh)
# ret, markers2 = cv.connectedComponents(thresh)
# markers2 = markers2 + 1
# thresh[markers2 == 2] = 0
# plt.imshow(markers2); plt.show()

# ------ 我现在甚至认为到这一步就已经结束了，分水岭似乎不太适合细小的血管的分割 ------

print(thresh.shape)
plt.subplot(2,3,1)
plt.title('gray')
plt.imshow(thresh,'gray')

# noise removal
kernel = np.ones((3,3),np.uint8)        # 3x3矩阵，所有元素为1
opening = cv.morphologyEx(thresh, cv.MORPH_OPEN, kernel, iterations = 1)      # OPEN形态学变换
# opening = cv.bitwise_not(opening, opening)
# 这种操作不得行，应该提取脑CT中的'点'

plt.subplot(2,3,2)
plt.title('morphologyEx,(3,3),2')
plt.imshow(opening)

# sure background area
sure_bg = cv.dilate(opening,kernel,iterations=3)

# Finding sure foreground area
dist_transform = cv.distanceTransform(opening,cv.DIST_L2,5)     
# 计算图像中每一个非零点距离离自己最近的[0]的距离，即计算填水速度
ret, sure_fg = cv.threshold(dist_transform,0.7*dist_transform.max(),255,cv.THRESH_BINARY)
print(sure_fg.dtype)

# Finding unknown region
sure_fg = np.uint8(sure_fg)     # 数据类型转化
print(sure_fg.dtype)
unknown = cv.subtract(sure_bg,sure_fg)      # 计算数组间的元素差

plt.subplot(2,3,3)
plt.title('dist_transform')
plt.imshow(dist_transform)

# 现在我们可以确定哪些是硬币的区域，哪些是背景，哪些是背景.因此，我们创建标记
#  (它是一个与原始图像相同大小的数组，但使用int32数据类型)并对其内部的区域进行标记.
# 我们知道，如果背景是0，那么分水岭将会被认为是未知的区域, 所以我们用不同的整数来标记它,用0表示由未知定义的未知区域.

# Marker labelling 将图像的背景标记为0，然后其他对象从1开始标记为整数.
ret, markers = cv.connectedComponents(sure_fg)
print(markers.shape)
# Add one to all labels so that sure background is not 0, but 1
markers = markers+1

# Now, mark the region of unknown with zero
markers[unknown==255]=0
plt.subplot(2,3,4)
plt.title('final sure_fg')
plt.imshow(markers)

markers = cv.watershed(img,markers)
img[markers == -1] = [255,0,0]

plt.subplot(2,3,5); plt.title('img'); plt.imshow(img)

plt.subplot(2,3,6); plt.title('markers'); plt.imshow(markers)

plt.show()

# 初步感觉分水岭的效果不是太理想

在这里插入图片描述

code 3.0 批量处理版



import glob
import os
import cv2
from pylab import*
import numpy as np
from matplotlib import pyplot as plt
from PIL import Image
from itertools import chain

#获取指定目录下的所有图片
# print glob.glob(r"E:/Picture/*/*.jpg")
# print glob.glob(r'../*.py') #相对路径

def fillHole(im_in):
	im_floodfill = im_in.copy()
	# Mask used to flood filling.
	# Notice the size needs to be 2 pixels than the image.
	h, w = im_in.shape[:2]
	mask = np.zeros((h+2, w+2), np.uint8)
	# Floodfill from point (0, 0)
	cv2.floodFill(im_floodfill, mask, (0,0), 255)
	# Invert floodfilled image
	im_floodfill_inv = cv2.bitwise_not(im_floodfill)
	# Combine the two images to get the foreground.
	im_out = im_in | im_floodfill_inv
	return im_out

def inHead_seg(img):
    copyImg = img.copy()
    h, w = img.shape[:2]
    mask = np.zeros([h+2, w+2],np.uint8)   #mask必须行和列都加2，且必须为uint8单通道阵列
    # print (img[int(h/2), int(w/2)])
    cv2.floodFill(copyImg, mask, (int(h/2), int(w/2)), (5, 5, 5), (55, 55, 55), (55, 55 ,55), cv2.FLOODFILL_FIXED_RANGE)
    # plt.title('fill_color_demo'),plt.imshow(copyImg),plt.show()
    # plt.subplot(2,3,1); plt.title('original'); plt.imshow(img)
    img_gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    # plt.subplot(2,3,2); plt.title('img_gray'); plt.imshow(img_gray)
    ret, thresh = cv2.threshold(img_gray,254,255,cv2.THRESH_BINARY)
    thresh[:,:] = 0
    copyImg_gray = cv2.cvtColor(copyImg,cv2.COLOR_RGB2GRAY)
    thresh[ copyImg_gray==5 ] = 255
    # plt.subplot(2,3,3); plt.title('thresh'); plt.imshow(thresh)
    kernel = np.ones((5,5),np.uint8)
    thresh = fillHole(thresh)
    opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations = 3)
    # opening = cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,kernel, iterations = 3)
    # opening = fillHole(opening)         # 加入孔洞填充, 得，这个位置还不太好，换到opening前面去

    # print(opening.shape)
    # plt.subplot(2,3,4); plt.title('opening'); plt.imshow(opening)
    sure_bg = cv2.dilate(opening,kernel,iterations=5)
    # sure_bg = cv2.bitwise_not(sure_bg,sure_bg)
    # plt.subplot(2,3,5); plt.title('sure_bg'); plt.imshow(sure_bg)
    nlabels, labels, stats, centroids = cv2.connectedComponentsWithStats(sure_bg)
    markers = labels
    # print(markers.shape)
    markers = markers+1
    # plt.subplot(2,3,6); plt.title('img'); plt.imshow(img)
    # plt.show()
    return img,markers,labels

def maxAreaFind(markers):
    markers = list(chain(*markers))
    # print (markers)
    mCnt = np.bincount(markers)		#这东西还只针对一维数据，注意要找的是出现次数第二多的元素
    resFind = np.argmax(mCnt)
    print (mCnt,resFind)
    markers2 = list(filter(lambda x: x != resFind, markers))
    mCnt2 = np.bincount(markers2)
    if(any(mCnt2) == False):
        return resFind
    resFind = np.argmax(mCnt2)
    # print (markers2,resFind)
    # print ('resFind: ',resFind)
    return resFind

# WSI_MASK_PATH = 'D:/auxiliaryPlane/project/Python/medImgSegment/imgData'    #存放图片的文件夹路径
WSI_MASK_PATH = "D:/MINE_FILE/dataSet/CTA/CTA1"
# WSI_MASK_PATH = "medImgSegment/imgData/test1Error"
# WSI_MASK_PATH = "medImgSegment/imgData/testTemp"
paths = glob.glob(os.path.join(WSI_MASK_PATH, '*.tif'))
paths.sort()

for ipath in paths:
    img= cv2.imread(ipath)
    img_gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
    img,markers,labels = inHead_seg(img)
    resFind = maxAreaFind(markers)
    labels = labels + 1
    img[labels == resFind] = img[labels == resFind]*0.6+(0,0,70)
    img_gray[labels != resFind] = 0
    # img[img_gray == 255] = (255,0,0)
    img = Image.fromarray(img, mode='RGB')
    # img.show()
    # pre_savename = 'medImgSegment/Documents/test1.0/'
    pre_savename = 'medImgSegment/Documents/testTemp/'
    line = "inHead_t2"+ipath[-8:-4]+".png"
    print (pre_savename,line)
    img.save(os.path.join(pre_savename,line),'PNG')

在这里插入图片描述

效果实际上不是很理想

code 3.1 加入孔洞填充


###################################################################################
#
#       2019.7.27
#       医学脑血管图像分割--脑内容分割
#       -----------
#       孔洞填充--这样或许不需要借助形态学变换就可以填充孔洞
#       https://blog.csdn.net/dugudaibo/article/details/84447196
# 
###################################################################################

from itertools import chain

import cv2
import numpy as np
from matplotlib import pyplot as plt


def fillHole(im_in):
	im_floodfill = im_in.copy()
	# Mask used to flood filling.
	# Notice the size needs to be 2 pixels than the image.
	h, w = im_in.shape[:2]
	mask = np.zeros((h+2, w+2), np.uint8)
	# Floodfill from point (0, 0)
	cv2.floodFill(im_floodfill, mask, (0,0), 255)
	# Invert floodfilled image
	im_floodfill_inv = cv2.bitwise_not(im_floodfill)
	# Combine the two images to get the foreground.
	im_out = im_in | im_floodfill_inv

	return im_out

img1 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0055.tif"
img2 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0068.tif"
img3 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0070.tif"
img4 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0071.tif"
img5 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0072.tif"
img6 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0091.tif"
img7 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0092.tif"
img8 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0095.tif"
img9 = "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0112.tif"
img10= "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0114.tif"
img11= "DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0115.tif"

img = cv2.imread( 'D:/auxiliaryPlane/project/Python/medImgSegment/imgData/test1Error/'+img5 )
img = cv2.imread( 'D:/MINE_FILE/dataSet/CTA/CTA1/DE #PP DE_CarotidAngio 1.0 Q30f 3 A_80kV.0103.tif')

copyImg = img.copy()
h, w = img.shape[:2]
mask = np.zeros([h+2, w+2],np.uint8)   #mask必须行和列都加2，且必须为uint8单通道阵列
print (img[int(h/2), int(w/2)])
cv2.floodFill(copyImg, mask, (int(h/2), int(w/2)), (5, 5, 5), (55, 55, 55), (55, 55 ,55), cv2.FLOODFILL_FIXED_RANGE)
# plt.title('fill_color_demo'),plt.imshow(copyImg),plt.show()

plt.subplot(2,3,1); plt.title('original'); plt.imshow(img)

img_gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
plt.subplot(2,3,2); plt.title('img_gray'); plt.imshow(img_gray)

ret, thresh = cv2.threshold(img_gray,254,255,cv2.THRESH_BINARY)
thresh[:,:] = 0
copyImg_gray = cv2.cvtColor(copyImg,cv2.COLOR_RGB2GRAY)
thresh[ copyImg_gray==5 ] = 255
plt.subplot(2,3,3); plt.title('thresh'); plt.imshow(thresh)

kernel = np.ones((5,5),np.uint8) 

thresh = fillHole(thresh)
opening = cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel, iterations = 3)
# opening = cv2.morphologyEx(thresh,cv2.MORPH_CLOSE,kernel, iterations = 3)
# 加入新的孔洞填充+判断连通分量面积大小的手段

# opening = fillHole(opening)

# _,contours, _ = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
# cnt = contours[np.argmax([cv2.contourArea(cnt) for cnt in contours])]
# print ('连通分量',cnt.shape)
# print (cnt)
# 不使用这个轮廓area了吧，比较麻烦，在markers时使用np的bincnt

print (opening.shape)
plt.subplot(2,3,4); plt.title('opening'); plt.imshow(opening)

sure_bg = cv2.dilate(opening,kernel,iterations=5)
# sure_bg = cv2.bitwise_not(sure_bg,sure_bg)
plt.subplot(2,3,5); plt.title('sure_bg'); plt.imshow(sure_bg)

nlabels, labels, stats, centroids = cv2.connectedComponentsWithStats(sure_bg)
markers = labels

print(markers.shape)
markers = markers + 1
# plt.subplot(2,3,6); plt.title('markers'); plt.imshow(markers)
# print (max(set(markers), key=markers.count))
markers = list(chain(*markers))
# print (markers)
mCnt = np.bincount(markers)		#这狗东西还只针对一维数据，注意要找的是出现次数第二多的元素
resFind = np.argmax(mCnt)
print (mCnt,resFind)
# markers2 = np.mat(filter(lambda x: x != resFind, markers))
markers2 = list(filter(lambda x: x != resFind, markers))

# markers3 = np.mat(filter(lambda x: x != 0, markers2))
mCnt2 = np.bincount(markers2)
resFind = np.argmax(mCnt2)
# print (markers2,resFind)
print ('resFind: ',resFind)
labels = labels + 1

img_gray[labels != resFind] = 0
print ('img_shape: ',img.shape)
img[labels == resFind] = img[labels == resFind]*0.6+(0,0,70)
img[img_gray == 255] = (255,0,0)

plt.subplot(2,3,6); plt.title('img'); plt.imshow(img)

plt.show()

在这里插入图片描述

总结

分水岭算法不适用于颅内血管分割这个数量多，面积不一，分布不均匀的实际医学图像，因此后来转变思路尝试用分水岭算法来分割颅内区域，但本实验展示的图像实际上是比较标准的一张，脑CT图从上到下扫描会出现很多种情况，在分水岭的腐蚀与膨胀函数中不一定适用于所有情况。

StevenGerrad
关注
  • 1
    点赞
  • 踩
  • 17
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
专栏目录
python+opencv-13 分水岭算法实现图像分割
bubid的博客
09-12 1873
python+opencv-13 分水岭算法实现图像分割图像分割分水岭算法确定一幅图像的前景图像 图像分割 图像分割是一种基本的图像处理技术，是指将图像分成不同特性的区域，并对目标进行提取的技术，它是由图像处理到图像分析的关键步骤。 目标提取和图像理解都是在图像分割的基础上进行的。 分水岭算法 分水岭算法会把临近像素间的相似性作为重要的参考因素，在空间位置上相近和灰度值相近的像素点互相连接起来构成一个封闭的区域。 可以把灰度图与地形图做对比。灰度值低的地方是山谷，灰度值高的地方是山峰。这样山峰包围了山谷，也
python实现opencv学习二十一：分水岭分割算法
weixin_40338379的博客
06-30 767
代码： # -*- coding=GBK -*- import cv2 as cv import numpy as np # 分水岭算法 def water_image(): print(src.shape) blurred = cv.pyrMeanShiftFiltering(src, 10, 100) # 去除噪点 #=========确定前景对象========== # gray\binary image gray = cv.cvtColor(blurred,
计算机视觉——OpenCV 使用分水岭算法进行图像分割
最新发布
知来者逆的博客
04-26 1997
分水岭算法通过模拟自然地形来实现图像中物体的分类。在这一过程中，每个像素的灰度值被视作其高度，灰度值较高的像素形成山脊，即分水岭，而二值化阈值则相当于水平面，低于这个水平面的区域会被“淹没”。
【OpenCv 4 Python 3.7】分水岭算法
java_pythons的博客
08-14 343
分水岭算法 使用分水岭算法进行图像分割   （一）获取灰度图像，二值化图像，进行形态学操作，消除噪点   （二）在距离变换前加上一步操作：通过对上面形态学去噪点后的图像，进行膨胀操作，可以得到大部分都是背景的区域（原黑色不是我们需要的部分是背景）   （三）使用距离变换distanceTransform获取确定的前景色 相关知识补充（重点）   （四）在获取了背景区域和前景区域（其实前景区域是我们的种子，我们将从这里进行灌水，向四周涨水，但是这个需要在markers中表示）后，这两个区域中有未重合部分（注1
python的opencv操作记录13——区域生长及分水岭算法
新兴IT民工的专栏
03-03 3567
基于区域的图像分割算法以及分水岭分割算法
小白学python（opencv分水岭算法）
Lucky Home
04-10 3501
watershed（） #原理： #灰度图像可以被看成拓扑平面,灰度值高的区域可以看出山峰，灰度值低的区域可以看成是山谷。 向每一个山谷当中灌不同颜色的水。水位升高，不同山谷的水会汇#合，为防止不同山谷的水汇合 ，小在汇合处建立起堤坝。然后继续灌水，然后再建立堤坝，直到山峰都掩模。构建好的堤坝就是图像的分割。 #此方法通常会得到过渡分割的结果，因为图像中的噪声以及其他因素。为了减少此影响，opencv使用基于标记的分水岭算法， 此算法要设置哪些山谷中的汇合点，哪些不是。这是一种交互式的图像分割算法那。我
python opencv之分水岭算法示例
12-25
本文介绍了python opencv之分水岭算法示例，分享给大家，具体如下： 目标 使用分水岭算法对基于标记的图像进行分割 使用函数cv2.watershed() 原理： 灰度图像可以被看成拓扑平面,灰度值高的区域可以看出山峰，...
基于OpenCV的分水岭算法实现
04-28
本篇文章将深入探讨如何基于OpenCV库实现分水岭算法，并分析其工作原理和应用。 分水岭算法源于地理学中的地形分析概念，它将图像看作是地形表面，其中高亮区域代表山峰，低洼区域代表山谷，而山谷的最低点则被视为...
Python基于分水岭算法解决走迷宫游戏示例
09-21
在本示例中，我们探讨如何使用Python编程语言和OpenCV库通过分水岭算法来解决迷宫游戏问题。分水岭算法是一种图像处理技术，常用于分割图像，特别是处理具有多个连通区域的二值图像。在这个迷宫游戏场景中，我们将...
基于python的分水岭分割算法设计与实现
05-22
在Python中实现分水岭算法，通常会用到一些图像处理库，如OpenCV、Scikit-image和Mathplotlib等。OpenCV是一个强大的计算机视觉库，提供了丰富的图像处理函数；Scikit-image是Python的一个科学图像处理库，包含了...
图像分割 3 opencv分水岭算法源码研究
yuyangyg的博客
03-03 1564
分水岭算法的opencv实现，算法原理
病变视网膜图像血管网络的自动分割
02-23
现有的视网膜血管分割方法大多只针对正常的视网膜图像进行分割,不能实现对发生病变的视网膜图像的分割.为此,提出了一种新的病变视网膜图像血管网络分割方法.该方法首先采用向量场散度方法获得病变视网膜图像中大部分血管的中心线,然后计算出中心线上各像素点的方向信息并采用改进的定向局部对比度方法检测出中心线两侧的血管像素,最后对获得的血管段末端进行反向外推追踪,分割出最终的血管网络.通过对通用的STARE眼底图像库中所有病变视网膜图像的实验仿真,结果表明本文算法获得了0.9426的ROC曲线面积和0.9502的准确率,算法性能明显优于Hoover算法和Benson等提出的算法.此外,本文算法还克服了Benson算法的局限性,对不同类型的病变视网膜图像都具有较好的鲁棒性.
数据分析实战：利用python对心脏病数据集进行分析
weixin_47979914的博客
06-17 1036
我们都很害怕生病，但感冒发烧这种从小到大的疾病我们已经麻木了，因为一星期他就会好，但是随着长大，各种发炎、三高、心脏病、冠心病响应而生。 心脏病作为一种发作起来让人看了就觉得恐怖的疾病，每年不知道夺走多少生命。而那些患病健在的人们也必须在自己后续的生命里割舍太多东西，以防止心脏病发作。 没有得病的时候，我们永远觉得它离自己很远。我对心脏病的认知就是这样，我不知道它患病的原因，也不知哪些原因会引起心脏病。而患病后如何保持正常生活等等，一概不知。 今天在kaggle上看到一个心脏病数据（数据集下载地址和源码见文
8.3 Python图像处理之图像典型分割-分水岭分割
集电极
08-15 1795
8.3 Python图像处理之图像典型分割-分水岭分割 文章目录8.3 Python图像处理之图像典型分割-分水岭分割1 算法原理2 代码3 效果 1 算法原理 分水岭概念是以对图像进行三维可视化处理为基础的：其中两个是坐标，另一个是灰度级。基于“地形学”的这种解释，我们考虑三类点： a.属于局部性最小值的点，也可能存在一个最小值面，该平面内的都是最小值点； b.当一滴水放在某点的位置上的时候，水一定会下落到一个单一的最小值点； c.当水处在某个点的位置上时，水会等概率地流向不止一个这样的最小值点。 对一个
Python计算机视觉-第2章
Bonaventure的博客
12-01 646
本章旨在寻找图像间的对应点和对应区域。本章将介绍用于图像匹配的两种局部描 述子算法。本书的很多内容中都会用到这些局部特征，它们在很多应用中都有重要 作用，比如创建全景图、增强现实技术以及计算图像的三维重建。 1、Harris角点检测器 在图像间寻找对应点 2、SIFT(尺度不变特征变换) （1）兴趣点 （2）描述子 （3）检测兴趣点 （4）匹配描述子 3、匹配地理标记图像 ...
眼底图像血管增强与分割--（5）基于Hessian矩阵的Frangi滤波算法
热门推荐
满城风絮
11-02 2万+
在最优化里面提到过的hessian矩阵（http://blog.csdn.net/piaoxuezhong/article/details/60135153），本篇讲的方法主要是基于Hessian矩阵实现血管边缘增强的，所以再来看一遍Hessian矩阵： Hessian矩阵： 在数学中，Hessian矩阵是标量函数的二阶偏导数的平方矩阵。它描述了一个多变量函数的局部曲率，其基本形式为： ...
OpenCV学习(二十) ：分水岭算法:watershed()
Leon_Chen的博客
09-17 2815
OpenCV学习(二十) ：分水岭算法:watershed() 参考博客： 图像处理——分水岭算法 OpenCV学习(7) 分水岭算法(1) Opencv分水岭算法——watershed自动图像分割用法 -牧野- OpenCV—分水岭算法 分水岭算法是一种图像区域分割法，在分割的过程中，它会把跟临近像素间的相似性作为重要的参考依据，从而将在空间位置上相近并且灰度值相近（求梯度）的像素点互相连接起...
眼底视网膜血管增强方法（三）形态学操作
Wenju-Huang的博客
06-05 6052
眼底视网膜血管增强方法（三）形态学操作在图像处理中，我们经常把数学形态学作为工具用于图像的相关属性提取，或者对图像进行预处理和后处理。形态学的基本操有腐蚀、膨胀、开操作、闭操作、顶帽等
OpenCV-图像分割与提取
h6111的博客
06-05 1408
图像分割与提取的概念 在图像处理的过程中, 经常需要从图像中将前景对象作为目标图像提取出来。例如无人驾驶技术, 我们关心的是周围的交通工具, 其他障碍物等, 而对于背景本身并不关注, 故而, 我们需要将这些东西从图片(视频)中提取出来, 而忽略那些只有背景的图像。 常见的图像分割方法 基于阈值的分割方法：全局阈值法、局部阈值法等 基于区域的分割方法：分水岭方法、区域生长法等 基于边缘的分割方法：Canny边缘检测、轮廓检测等 基于特定理论的分割方法：聚类、模糊集等（机器学习） 分水岭算法的概念 图像的灰度
opencv 分水岭算法 python
06-28
OpenCV中的分水岭算法是一种图像分割算法，可以将图像分成不同的区域。它可以用Python编程语言来实现。分水岭算法的基本思想是将图像看作一个地形图，然后通过计算水流的路径来将图像分成不同的区域。在OpenCV中，...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值