改进的二值图像像素标记算法及程序实现(含代码)

  笔者实现了一个论文里面的算法程序,论文(可以网上搜索到,实在搜不到可以联系笔者或留下邮箱发给你)讲解比较到位,按照作者的思路写完了代码,测试效果很好,在此分享一下算法思路及实现代码。

  此算法优于一般的像素标记算法,只需扫描一遍就可以得出图像边界、面积等等,大大减少了计算量。

算法描述:

  一、全图扫描

    对二值图像全图扫描,左到右,上到下,一遇到像素边界就进行判断。像素边界指当前像素灰度为1,其他8领域至少有一个灰度值为0。

    1.先依次判断当前像素(i,j)的左侧、左上侧、上侧像素和右上侧像素是否被已标记,一旦遇到已标记则说明当前像素(i,j)和这个已标记像素属于同一个目标,赋予Edge[i][j]相同的标记值,结束本像素标记,如四个像素都未标记则进入第二步。

    2.当前像素右移一部,即变为(i,j+1),进入一子循环,每次循环判断当前像素右上侧像素是否已标记。如已标记则赋予Edge[i][j]相同的标记值并跳出循环结束,如当前像素右上侧像素未标记则右移一位像素继续判断,直到到达这一行像素的右侧边界,跳出循环说明像素(i,j)属于新目标。则原来最大目标标记值temp加1并赋予Edge[i][j],结束本像素标记。

    这一大步需要注意可能会有同一类别被分到不同目标,需要全图扫描时进行判断,主要是凹形。

  二、扫描后处理

    1.归类。前面记录的等价标记数组只是记录了两两等价情况,而实际可能超过两个,如三个等价。这里需要补充的是,Same2数组是一个tempX1的数组,第几行就对应第几个目标处理情况。依次扫描Same1数组每一行,在Same2中修改类别值,保证统一类的值归为一类。

    2.标以正确的目标值。经过上一步,属于同一目标的像素标记值都已归为一类,有几类就有几个带下凹的目标,再加上0的个数(不带下凹的目标个数)就是实际目标总数。顺序扫描Same2,遇到0说明该行号表示的目标位没有下凹的,result+1赋予Same3的同一行,遇到非零数字,则看它是否第一次出现,如果第一次出现,result+1并赋予Same3同一行,如Same2这一行的值不是第一次出现,则把前面具有相同数字那一行在Same3中同行的值赋予Same3的这一行,直到检测完Same2。最后在Same3的最后数字表示的就是目标数。

    3.根据得到目标数进行目标划分,整个图像就被分到了几个目标值。得到的目标值可以统计目标数目、实现面积、周长和质心等特征值。

程序代码:

  

  1 //改进的像素标记算法实现代码及注释
  2 //作者用这个算法来绘制目标外接矩形用的
  3 //返回找到图像目标处理凹形数目,参数frame是原始二值图像,num为处理前凹形找到目标数目,s和e分别表示绘制矩形的开始点和结束点
  4 int pixelFlag(cv::Mat &frame,int &num,vector<Point2f> &s,vector<Point2f> &e)//返回个数
  5 {
  6     //frame.
  7     int kind=0,kindEnd=0,kindResult=0;//归类类别
  8     vector<int> same1[2];//可疑边界目标
  9 
 10     int edge[frame.rows][frame.cols];//表明边界属于哪个类
 11     memset(edge,0,sizeof(edge));
 12     //qDebug()<<frame.channels();
 13     //扫描每个像素判断
 14     for(int i=1;i<frame.rows-1;i++)
 15          for(int j=1;j<frame.cols-1;j++)
 16         {
 17             if((frame.at<uchar>(i,j)!=0)&&(!frame.at<uchar>(i-1,j)||!frame.at<uchar>(i-1,j-1)||!frame.at<uchar>(i-1,j+1)
 18                                       ||!frame.at<uchar>(i,j-1)||!frame.at<uchar>(i,j+1)||!frame.at<uchar>(i+1,j-1)
 19                                       ||!frame.at<uchar>(i+1,j)||!frame.at<uchar>(i+1,j+1)))//判断边界点
 20             {
 21                 if(edge[i][j-1])//判断是否紧邻已被标物体  左
 22                 {
 23                     edge[i][j]=edge[i][j-1];
 24                 }
 25                 else
 26                     if(edge[i-1][j-1])//左上
 27                     {
 28                         edge[i][j]=edge[i-1][j-1];
 29                     }
 30                     else
 31                         if(edge[i-1][j])//
 32                         {
 33                             edge[i][j]=edge[i-1][j];
 34                         }else
 35                             if(edge[i-1][j+1])//右上
 36                             {
 37                                 edge[i][j]=edge[i-1][j+1];
 38                             }else
 39                             {
 40                                 int f=0;
 41                                 while(frame.at<uchar>(i,j+f)&&((j+f)<frame.cols-1))//右移判断
 42                                 {
 43                                     if(edge[i-1][j+f+1])
 44                                     {
 45                                         edge[i][j]=edge[i-1][j+f+1];
 46                                         break;
 47                                     }
 48                                     else
 49                                     {
 50                                         f++;
 51                                     }
 52                                 }
 53                                 if(!frame.at<uchar>(i,j+f))//未找到处理
 54                                 {
 55                                     kind++;
 56                                     edge[i][j]=kind;
 57 
 58                                 }
 59                             }
 60                 if(edge[i][j]&&edge[i-1][j+1])//如果当前点和右上不在一个类别就记录
 61                 {
 62                     if(edge[i][j]!=edge[i-1][j+1])
 63                     {
 64                         same1[0].push_back(edge[i][j]);
 65                         same1[1].push_back(edge[i-1][j+1]);
 66                     }
 67                 }
 68 
 69 
 70 
 71             }
 72         }
 73 
 74     //处理扫描后的结果
 75     int same2[kind];memset(same2,0,sizeof(same2));
 76     int sameEnd[kind];memset(sameEnd,0,sizeof(sameEnd));
 77     //QDebug debug;
 78     if(!same1[0].empty())
 79     {
 80         for(uint i=0;i<same1[0].size();i++)
 81         {
 82             if((!same2[same1[0][i]-1])&&(!same2[same1[1][i]-1]))//如果都没有处理,种类加1
 83             {
 84                 kindEnd++;
 85                 same2[same1[0][i]-1]=kindEnd;
 86                 same2[same1[1][i]-1]=kindEnd;
 87             }else
 88                 if(same2[same1[0][i]-1]&&same2[same1[1][i]-1])
 89                 {
 90                     same2[same1[0][i]-1]=same2[same1[1][i]-1];
 91 
 92                 }else
 93                     if(!same2[same1[0][i]-1]&&same2[same1[1][i]-1])
 94                     {
 95                         same2[same1[0][i]-1]=same2[same1[1][i]-1];
 96                     }else if(same2[same1[0][i]-1]&&!same2[same1[1][i]-1])
 97                     {
 98                         same2[same1[1][i]-1]=same2[same1[0][i]-1];
 99                     }
100 
101         }
102     }
103 
104     for(int i=0;i<kind;i++)//复制到sameend
105     {
106 
107         if(!same2[i])
108         {
109             kindResult++;
110             sameEnd[i]=kindResult;
111         }
112         else
113             //if(same2)
114             {
115                 int j=0;
116                 while(j<i)
117                 {
118                     if(same2[j]==same2[i])
119                     {
120                         break;
121                     }
122                     j++;
123                 }
124                 if(j<i)
125                 {
126                     sameEnd[i]=sameEnd[j];
127                 }else
128                 {
129                     kindResult++;
130                     sameEnd[i]=kindResult;
131                 }
132 
133             }
134     }
135     num=kind;
136     //对边界进行处理
137     for(int i=1;i<frame.rows-1;i++)
138         for(int j=1;j<frame.cols-1;j++)
139         {
140             if(edge[i][j])
141             {
142                 edge[i][j]=sameEnd[edge[i][j]-1];
143             }
144         }
145     for(int i=0;i<kindResult;i++)
146     {
147         s.push_back(Point2f(1000,1000));
148         e.push_back(Point2f(0,0));
149     }
150     for(int i=1;i<frame.rows-1;i++)//求边界对角点
151         for(int j=1;j<frame.cols-1;j++)
152         {
153             if(edge[i][j])
154             {
155                 if(s[edge[i][j]-1].y>i)
156                 {
157                     s[edge[i][j]-1].y=i;
158                 }
159                 if(s[edge[i][j]-1].x>j)
160                 {
161                     s[edge[i][j]-1].x=j;
162                 }
163                 if(e[edge[i][j]-1].y<i)

164 {
165                     e[edge[i][j]-1].y=i;
166                 }
167 
168                 if(e[edge[i][j]-1].x<j)
169                 {
170                     e[edge[i][j]-1].x=j;
171                 }
172             }
173         }
174      return kindResult;
175 
176 
177 
178 }

效果如下:

  

共享园友,学习共勉!

转载于:https://www.cnblogs.com/zCoderJoy/p/3921763.html

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
像素算法有多种实现方式,这里以常用的 SLIC 算法为例,介绍如何使用 PyTorch 实现超像素标记图的生成。 首先,需要安装并导入 `skimage` 库和 `torchvision` 库,前者用于加载图像和保存超像素标记图,后者用于将图像转换为 PyTorch 张量。 ```python from skimage.segmentation import slic, mark_boundaries import torchvision.transforms as transforms import numpy as np from PIL import Image ``` 然后,加载图像并转换为 PyTorch 张量: ```python # 加载图像 image = Image.open('test.jpg') # 转换为 PyTorch 张量 transform = transforms.ToTensor() img_tensor = transform(image).unsqueeze(0) ``` 接下来,使用 SLIC 算法生成超像素标记图。SLIC 算法需要指定超像素块的大小和超参数,这里将超像素块的大小设置为 50,超参数设置为 10。 ```python # 将 PyTorch 张量转换为 Numpy 数组 img_np = img_tensor.numpy().transpose(0, 2, 3, 1)[0] # 使用 SLIC 算法生成超像素标记图 segments = slic(img_np, n_segments=100, compactness=10) ``` SLIC 算法生成的超像素标记图是一个 Numpy 数组,矩阵中的每个元素代表原始图像中对应像素所属的超像素块的编号。 最后,可以使用 `mark_boundaries` 函数将超像素标记图与原始图像进行可视化。 ```python # 可视化超像素标记图 segment_img = mark_boundaries(img_np, segments) # 将 Numpy 数组转换为 PIL 图像 segment_img = Image.fromarray((segment_img * 255).astype(np.uint8)) # 保存超像素标记图 segment_img.save('segments.jpg') ``` 完整的代码如下: ```python from skimage.segmentation import slic, mark_boundaries import torchvision.transforms as transforms import numpy as np from PIL import Image # 加载图像 image = Image.open('test.jpg') # 转换为 PyTorch 张量 transform = transforms.ToTensor() img_tensor = transform(image).unsqueeze(0) # 将 PyTorch 张量转换为 Numpy 数组 img_np = img_tensor.numpy().transpose(0, 2, 3, 1)[0] # 使用 SLIC 算法生成超像素标记图 segments = slic(img_np, n_segments=100, compactness=10) # 可视化超像素标记图 segment_img = mark_boundaries(img_np, segments) # 将 Numpy 数组转换为 PIL 图像 segment_img = Image.fromarray((segment_img * 255).astype(np.uint8)) # 保存超像素标记图 segment_img.save('segments.jpg') ``` 希望这个代码对您有所帮助!

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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