图片数据：
链接：https://pan.baidu.com/s/1-5T0c3ev-l2jvz9ZfjybrQ
提取码：qzgo
文章目录
前言
本文分别应用区域生长算法和Grabcut算法对图像进行分割。形成了两种方法。
原图（beijing.jpg）：
Grabcut算法分割效果：
区域生长算法分割效果：
一、Grabcut算法
1. Grabcut算法的原理
Grabcut是采用graph cut图分割和最大流技术的一种交互式图像分割技术，它需要用户输入一个bounding box作为分割目标位置，实现对目标与背景的分离/分割， Grabcut主要包含了k均值聚类、高斯混合模型建模(GMM)、max flow/min cut部分的知识。
2. GrabCut算法的实现步骤
(1) 在图片中定义(一个或者多个)包含物体的矩形(为了便于实现我在本题中使用鼠标绘制边框图形)。
(2) 矩形外的区域被自动认为是背景。
(3) 对于用户定义的矩形区域，可用背景中的数据来区分它里面的前景和背景区域。
(4) 用高斯混合模型(GMM)来对背景和前景建模，并将未定义的像素标记为可能的前景或者背景。
(5) 图像中的每一个像素都被看做通过虚拟边与周围像素相连接，而每条边都有一个属于前景或者背景的概率，这是基于它与周边像素颜色上的相似性。
(6) 每一个像素(即算法中的节点)会与一个前景或背景节点连接。
(7) 在节点完成连接后(可能与背景或前景连接)，若节点之间的边属于不同终端(即一个节点属于前景，另一个节点属于背景)，则会切断他们之间的边，这就能将图像各部分分割出来。
3. 代码实现及操作方法
操作方法：
运行下方代码之后，先按住鼠标左键（会留下红线）沿着华表图案画一半，然后用鼠标右键（会留下蓝线）对比弹出的窗口（窗口名为result）中的实时效果，进行补充（哪里有非黑色区域就沿着对应的边界画上蓝线）。
操作情景形如下图：
最终效果：
#应用Grabcut算法分割图像
import cv2
import numpy as np
import time
drawing = False
mode = False
class GrabCut:
def __init__(self, t_img):
self.img = t_img
self.img_raw = img.copy()
self.img_width = img.shape[0]
self.img_height = img.shape[1]
self.scale_size = 640 * self.img_width // self.img_height
if self.img_width > 640:
self.img = cv2.resize(self.img, (640, self.scale_size), interpolation=cv2.INTER_AREA)
self.img_show = self.img.copy()
self.img_gc = self.img.copy()
self.img_gc = cv2.GaussianBlur(self.img_gc, (3, 3), 0)
self.lb_up = False
self.rb_up = False
self.lb_down = False
self.rb_down = False
self.mask = np.full(self.img.shape[:2], 2, dtype=np.uint8)
self.firt_choose = True
# 鼠标的回调函数
def mouse_event2(event, x, y, flags, param):
global drawing, last_point, start_point
# 左键按下：开始画图
if event == cv2.EVENT_LBUTTONDOWN:
drawing = True
last_point = (x, y)
start_point = last_point
param.lb_down = True
print('mouse lb down')
elif event == cv2.EVENT_RBUTTONDOWN:
drawing = True
last_point = (x, y)
start_point = last_point
param.rb_down = True
print('mouse rb down')
# 按住鼠标移动进行绘制
elif event == cv2.EVENT_MOUSEMOVE:
if drawing:
if param.lb_down:
cv2.line(param.img_show, last_point, (x,y), (0, 0, 255), 2, -1)
cv2.rectangle(param.mask, last_point, (x, y), 1, -1, 4)
else:
cv2.line(param.img_show, last_point, (x, y), (255, 0, 0), 2, -1)
cv2.rectangle(param.mask, last_point, (x, y), 0, -1, 4)
last_point = (x, y)
# 左键释放：结束画图
elif event == cv2.EVENT_LBUTTONUP:
drawing = False
param.lb_up = True
param.lb_down = False
cv2.line(param.img_show, last_point, (x,y), (0, 0, 255), 2, -1)
if param.firt_choose:
param.firt_choose = False
cv2.rectangle(param.mask, last_point, (x,y), 1, -1, 4)
print('mouse lb up')
elif event == cv2.EVENT_RBUTTONUP:
drawing = False
param.rb_up = True
param.rb_down = False
cv2.line(param.img_show, last_point, (x,y), (255, 0, 0), 2, -1)
if param.firt_choose:
param.firt_choose = False
param.mask = np.full(param.img.shape[:2], 3, dtype=np.uint8)
cv2.rectangle(param.mask, last_point, (x,y), 0, -1, 4)
print('mouse rb up')
img_src = 'beijing.jpg'
if __name__ == '__main__':
img = cv2.imread(img_src)
if img is None:
print('error: 图像为空')
g_img = GrabCut(img)
cv2.namedWindow('image')
# 定义鼠标的回调函数
cv2.setMouseCallback('image', mouse_event2, g_img)
while (True):
cv2.imshow('image', g_img.img_show)
if g_img.lb_up or g_img.rb_up:
g_img.lb_up = False
g_img.rb_up = False
start = time.process_time()
bgdModel = np.zeros((1, 65), np.float64)
fgdModel = np.zeros((1, 65), np.float64)
rect = (1, 1, g_img.img.shape[1], g_img.img.shape[0])
print(g_img.mask)
mask = g_img.mask
g_img.img_gc = g_img.img.copy()
cv2.grabCut(g_img.img_gc, mask, rect, bgdModel, fgdModel, 5, cv2.GC_INIT_WITH_MASK)
elapsed = (time.process_time() - start)
mask2 = np.where((mask == 2) | (mask == 0), 0, 1).astype('uint8') # 0和2做背景
g_img.img_gc = g_img.img_gc * mask2[:, :, np.newaxis] # 使用蒙板来获取前景区域
cv2.imshow('result', g_img.img_gc)
print("Time used:", elapsed)
if cv2.waitKey(20) == 27:
break
#按ESC键退出image
二、区域生长算法
1. 区域生长算法的原理
区域生长是图像分割技术的一种。区域生长的基本思想是将具有相似性的像素集合起来构成区域，区域生长是从某个或者某些像素点出发，最后得到整个区域，进而实现目标的提取。
2. 区域生长算法的实现步骤
(1) 首先对每个需要分割的区域找出一个种子像素作为生长的起点.
(2) 将种子像素周围邻域中与种子有相同或相似性质的像素（根据事先确定的生长或相似准则来确定）合并到种子像素所在的区域中。而新的像素继续作为种子向四周生长，直到再没有满足条件的像素可以包括进来，一个区域就生长而成了。
在本次实验中我使用人工选择的方式选取种子；灰度图的判定准则用灰度差值小于某个阈值来表示。
3. 代码实现
import numpy as np
import matplotlib.pyplot as plt
from skimage import data,io,color
from scipy import ndimage
from skimage import filters
from scipy import signal
class Point(object):
def __init__(self,x,y):
self.x = x
self.y = y
def getX(self):
return self.x
def getY(self):
return self.y
def getGrayDiff(img,currentPoint,tmpPoint):
return abs(int(img[currentPoint.x,currentPoint.y]) - int(img[tmpPoint.x,tmpPoint.y]))
def selectConnects(p):
if p != 0:#八连通
connects = [Point(-1, -1), Point(0, -1), Point(1, -1), Point(1, 0), Point(1, 1), \
Point(0, 1), Point(-1, 1), Point(-1, 0)]
else:#四联通
connects = [ Point(0, -1), Point(1, 0),Point(0, 1), Point(-1, 0)]
return connects
def regionGrow(img,seeds,thresh,p = 1):
height, weight = img.shape
seedMark = np.zeros(img.shape)
seedList = []
for seed in seeds:
seedList.append(seed)
label = 1
connects = selectConnects(p)
while(len(seedList)>0):
currentPoint = seedList.pop(0)#栈
seedMark[currentPoint.x,currentPoint.y] = label
for i in range(len(connects)):
tmpX = currentPoint.x + connects[i].x
tmpY = currentPoint.y + connects[i].y
if tmpX < 0 or tmpY < 0 or tmpX >= height or tmpY >= weight:
continue
grayDiff = getGrayDiff(img,currentPoint,Point(tmpX,tmpY))
if grayDiff < thresh and seedMark[tmpX,tmpY] == 0:
seedMark[tmpX,tmpY] = label
seedList.append(Point(tmpX,tmpY))
return seedMark
img = (color.rgb2grey(io.imread(r'beijing.jpg'))*255).astype(np.int32)
#用中值滤波进行去噪
new_img=ndimage.median_filter(img,3)
#选取种子点
seeds = [Point(10,10),Point(82,150),Point(100,200),Point(20,300)]
binaryImg = regionGrow(new_img,seeds,4)
plt.imshow((1-binaryImg)*new_img,plt.cm.gray)
plt.show()效果图：
总结
总的来说，Grabcut算法还是比区域生长算法的效果要强很多，不但图案是彩色的，而且可以人工划定割取范围，并且图像分割的效果更好，但是Grabcut算法的分割需要一定的操作手法，区域生长算法直接运行代码即可。
2003
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
