【深度好文】Python图像分割之区域增长法

1 引言

区域增长法是一种已受到计算机视觉界十分关注的图像分割方法。它是以区域为处理对象的，它考虑到区域内部和区域之间的同异性，尽量保持区域中像素的临近性和一致性的统一。这样就可以更好地分辨图像真正的边界。

基于区域的分割方法的关键在于定义一个一致性准则，用来判断两个邻接的区域是否可以合并，一致则将两区域合并，直到不能合并为止。区域增长的方法是在图像上选定一个种子点，记录下该点的灰度值，作为一致性判断的标准阈值，此外还需要定义一个标准差。
算法的主要过程是，依次用图像的每一个像素的灰度值和标准阈值相减，判断结果是否小于标准差，是则将该点和种子点合并，不是则保持像素点的灰度值不变。这样处理后的图像就是用区域分割法处理后的边缘分割图像。

2 举例

下面我们通过一个例子来进行详细的解释。

上图示意的是区域增长的过程，图中的方格表示图像的像素点，方格中的数值表示像素点的灰度值。（a）表示开始选取的生长点，在生长的过程中，每个生长点都将本身上下左右4个像素点和初试选取的生长点比较灰度值，如果灰度值的差的绝对值在设定的阈值内，则认为这些点是属于相同区域并将其合并，否则将灰度差大于设定阈值的点删除，重复检查区域内的像素点，直到没有像素点可以合并位置。不妨设上图的阈值为2，(b)中4个点和初始点的灰度差都不大于2，所以合并；（c）中只有部分满足条件，所以只合并满足条件的像素点，并且（c）区域周围邻域中没有点再满足条件，因此生长结束。

3 算法步骤

通过上述示例，我们可以总结出区域增长法的一般步骤如下：
1）对图像自上而下，自左而右扫描，找到第1个还没有访问过的像素, 设该像素为(x0, y0);
2）以(x0, y0)为中心, 考虑(x0, y0)的8邻域像素(x, y)，如果其邻域满足生长准则, 将(x, y)与(x0, y0)合并(在同一区域内), 同时将(x, y)压入堆栈;
3）从堆栈中取出一个像素, 把它当作(x0, y0)返回到上一步骤;
4）当堆栈为空时 返回到步骤1;
5）重复步骤1 - 4直到图像中的每个点都被访问过时，算法结束。

4 代码实现

1 ) 读入彩色图像

img_name = "./20210813/sample3.png"
img = cv2.imread(img_name)

结果如下：

2. 灰度化

gray_img = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

结果如下：

3）二值化

def get_binary_img(img):
    # gray img to bin image
    bin_img = np.zeros(shape=(img.shape), dtype=np.uint8)
    h = img.shape[0]
    w = img.shape[1]
    for i in range(h):
        for j in range(w):
            bin_img[i][j] = 255 if img[i][j] > 127 else 0
    return bin_img
# 调用
bin_img = get_binary_img(gray_img)

结果如下：

4）选取初始种子点
这里选择三个种子点作为初始点，种子点的坐标如下图紫色十字所示。

out_img = np.zeros(shape=(bin_img.shape), dtype=np.uint8)
# 选择初始3个种子点
seeds = [(176,255),(229,405),(347,165)]
for seed in seeds:
    x = seed[0]
    y = seed[1]
    out_img[y][x] = 255

5）区域增长结果

# 8 邻域
directs = [(-1,-1), (0,-1), (1,-1), (1,0), (1,1), (0,1),(-1,1),(-1,0)]
visited = np.zeros(shape=(bin_img.shape), dtype=np.uint8)
while len(seeds):
	seed = seeds.pop(0)
    x = seed[0]
    y = seed[1]
    # visit point (x,y)
    visited[y][x] = 1
    for direct in directs:
    	cur_x = x + direct[0]
    	cur_y = y + direct[1]
    	# 非法
        if cur_x <0 or cur_y<0 or cur_x >= w or cur_y >=h :
        	continue
        # 没有访问过且属于同一目标
        if (not visited[cur_y][cur_x]) and (bin_img[cur_y][cur_x]==bin_img[y][x]) :
        	out_img[cur_y][cur_x] = 255
            visited[cur_y][cur_x] = 1
            seeds.append((cur_x,cur_y))

结果如下：

6）获取目标
以上步得到的二值图作为mask,去彩色图中取对应的部分即可。代码如下：

bake_img = img.copy()
h = bake_img.shape[0]
w = bake_img.shape[1]
for i in range(h):
	for j in range(w):
		if out_img[i][j] != 255:
        	bake_img[i][j][0] = 0
            bake_img[i][j][1] = 0
            bake_img[i][j][2] = 0

结果如下：

5 总结

通过上述简单步骤，我们实现了通过区域增长法来提取前景目标，相应的处理效果如下：

上图中左侧为原图，其中紫色十字为我们选的初始种子点，中间为我们区域增长后的结果图，右侧为我们回到原图上得到的区域分割后的结果图。

您学肥了嘛？

关注公众号《AI算法之道》，获取更多AI算法资讯。