scikit-image库-- 随机游走分割（十二）

Random Walk算法

根据一组标记多个相位（2个或更多）的标记确定图像的分割。利用在标记点位置启动的示踪剂求解各向异性扩散方程。如果相邻像素具有相似的值，则局部扩散系数较大，因此很难在高梯度上进行扩散。每个未知像素的标签归因于已知标记的标签，该标记在扩散过程中最有可能首先到达。

在这个例子中，两个阶段是清晰可见的，但是数据太过嘈杂，无法仅从柱状图进行分割。我们从灰度值的柱状图的最尾部确定两个相位的标记，并使用随机游走器进行分割。

import numpy as np
import matplotlib.pyplot as plt
%matplotlib inline
from skimage.segmentation import random_walker
from skimage.data import binary_blobs
from skimage import data
from skimage.exposure import rescale_intensity
import skimage

# Generate noisy synthetic data
data = skimage.img_as_float(binary_blobs(length=128, seed=4)) #布尔数组 转二值数组  参考图一
#data=skimage.img_as_float(data.coins())
sigma = 0.3
data += np.random.normal(loc=0, scale=sigma, size=data.shape) #加噪声  参考图二
data = rescale_intensity(data, in_range=(-sigma, 1 + sigma), 
                         out_range=(-1, 1)) # 拉伸亮度  参考 图三
#返回图像后拉伸或收缩其强度水平。所需的强度范围的输入和输出,in_range和out_range分别用于拉伸或收缩的强度范围 输入的图像。

# The range of the binary image spans over (-1, 1).
# We choose the hottest and the coldest pixels as markers.
markers = np.zeros(data.shape, dtype=np.uint)  #参考图四
markers[data < -0.95] = 1
markers[data > 0.95] = 2

# Run random walker algorithm
labels = random_walker(data, markers, beta=10, mode='bf')

# Plot results
fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(8, 3.2),
                                    sharex=True, sharey=True)
ax1.imshow(data, cmap='gray', interpolation='nearest')
ax1.axis('off')
ax1.set_title('Noisy data')
ax2.imshow(markers, cmap='magma', interpolation='nearest')
ax2.axis('off')
ax2.set_title('Markers')
ax3.imshow(labels, cmap='gray', interpolation='nearest')
ax3.axis('off')
ax3.set_title('Segmentation')

fig.tight_layout()
plt.show()

图一：布尔数组 转二值数组

图二： 加噪声

图三：拉伸亮度

图四： 掩模