【Opencv】图像分割——区域生长

1 环境

  • Python 3.8.8
  • PyCharm 2021
  • opencv-python

2 效果

在这里插入图片描述
在这里插入图片描述

3 原理

  区域生长的基本思想是将具有相似性质的像素集合起来构成区域。具体先对每个需要分割的区域找一个种子像素作为生长的起点,然后将种子像素周围邻域中与种子像素具有相同或相似性质的像素(根据某种事先确定的生长或相似准则来判定)合并到种子像素所在的区域中。将这些新像素当做新的种子像素继续进行上面的过程,直到再没有满足条件的像素可被包括进来,这样,一个区域就长成了。
  区域生长的算法实现:

  • 根据图像的不同应用选择一个或一组种子,它或者是最亮或最暗的点,或者是位于点簇中心的点,当然也可以手动选择种子点。
  • 选择一个描述符(条件),常见的有基于区域灰度差、基于区域灰度分布统计性质。
  • 从该种子开始向外扩张,首先把种子像素加入结果集合,然后不断将与集合中各个像素连通、且满足描述符的像素加入集合。
  • 上一过程进行到不再有满足条件的新结点加入集合为止。

在这里插入图片描述

4 案例

  本次案例采用了一张医学图像,为肺部 CT 图像,提取肺的轮廓以判断肺的健康性。

在这里插入图片描述
实现的主要流程如下:

  • 读入CT图片,让图片和鼠标进行交互,在三个位置进行左击鼠标生成三个红点,保存每次点击时的 ( y , x ) (y,x) (y,x) 到开始的 s e e d s seeds seeds 中,完成 s e e d s seeds seeds 初始化。完成此过程的为 c v 2. s e t M o u s e C a l l b a c k ( ) cv2.setMouseCallback() cv2.setMouseCallback()
  • 以上面步骤得到的 s e e d s seeds seeds 进行区域生长,创建与原 C T CT CT 图大小相同的空白图 s e e d M a r k seedMark seedMark,根据初始化的种子点的坐标在 s e e d M a r k seedMark seedMark 标记为 255 255 255。在定义种子点的八领域坐标,当种子与其八邻域的像素差大于 6 6 6 且之前在 s e e d M a r k seedMark seedMark 没有被标记过时,则不合并,反之将其与种子进行合并,方式为令 s e e d M a r k seedMark seedMark 的对应坐标的像素为 255 255 255,并将其存入种子队列作为下次生长时的种子,将当前种子点从种子队列中去除。
  • 输入 q q q 回车结束交互,效果展示。

代码:

import cv2 as cv
import numpy as np
import matplotlib.pyplot as plt
from collections import deque

# 计算种子点和其领域的像素值之差
def getGrayDiff(gray, current_seed, tmp_seed):
    return abs(int(gray[current_seed[0], current_seed[1]]) - int(gray[tmp_seed[0], tmp_seed[1]]))

# 区域生长算法
def regional_growth(gray, seeds):
	#八领域
    connects = [(-1, -1), (0, -1), (1, -1), (1, 0), \
                (1, 1), (0, 1), (-1, 1), (-1, 0)]
    seedMark = np.zeros((gray.shape))
    height, width = gray.shape
    threshold = 6
    seedque = deque()
    label = 255
    seedque.extend(seeds)

    while seedque :
    	#队列具有先进先出的性质。所以要左删
        current_seed = seedque.popleft()
        seedMark[current_seed[0], current_seed[1]] = label
        for i in range(8) :
            tmpX = current_seed[0] + connects[i][0]
            tmpY = current_seed[1] + connects[i][1]
            #处理边界情况
            if tmpX < 0 or tmpY < 0 or tmpX >= height or tmpY >= width :
                continue

            grayDiff = getGrayDiff(gray, current_seed, (tmpX, tmpY))
            if grayDiff < threshold and seedMark[tmpX, tmpY] != label :
                seedque.append((tmpX, tmpY))
                seedMark[tmpX, tmpY] = label
    return seedMark

#交互函数
def Event_Mouse(event, x, y, flags, param) :
	#左击鼠标
    if event == cv.EVENT_LBUTTONDOWN :
    	#添加种子
        seeds.append((y, x))
        #画实心点
        cv.circle(img, center = (x, y), radius = 2,
                  color = (0, 0, 255), thickness = -1)

def Region_Grow(img):
    cv.namedWindow('img')
    cv.setMouseCallback('img', Event_Mouse)
    cv.imshow('img', img)

    while True :
        cv.imshow('img', img)
        if cv.waitKey(1) & 0xFF == ord('q') :
            break
    cv.destroyAllWindows()


    CT = cv.imread('images/CT.png', 1)
    seedMark = np.uint8(regional_growth(cv.cvtColor(CT, cv.COLOR_BGR2GRAY), seeds))

    cv.imshow('seedMark', seedMark)
    cv.waitKey(0)

    plt.figure(figsize=(12, 4))
    plt.subplot(131), plt.imshow(cv.cvtColor(CT, cv.COLOR_BGR2RGB))
    plt.axis('off'), plt.title(f'$input\_image$')
    plt.subplot(132), plt.imshow(cv.cvtColor(img, cv.COLOR_BGR2RGB))
    plt.axis('off'), plt.title(f'$seeds\_image$')
    plt.subplot(133), plt.imshow(seedMark, cmap='gray', vmin = 0, vmax = 255)
    plt.axis('off'), plt.title(f'$segmented\_image$')
    plt.tight_layout()
    plt.show()
    
if __name__ == '__main__':
    img = cv.imread('./images/CT.png')
    seeds = []
    Region_Grow(img)

在这里插入图片描述

  • 24
    点赞
  • 160
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 8
    评论
分水岭算法(watershed algorithm)是一种用于图像分割的算法,可以自动将图像分割成不同的区域OpenCV提供了分水岭算法的实现,可以通过调用cv2.watershed()函数来进行图像分割。 使用分水岭算法进行图像分割的基本步骤如下: 1. 读取图像并将其转换为灰度图像。 2. 对灰度图像进行二值化处理,得到前景(foreground)和背景(background)。 3. 对图像进行距离变换,得到每个像素到最近的背景像素的距离。 4. 对距离变换的结果进行阈值处理,得到一张标记(markers)图像。 5. 对标记图像进行分水岭算法处理,得到分割结果。 下面是一个简单的示例代码,演示了如何使用分水岭算法对图像进行分割: ```python import cv2 import numpy as np # 读取图像并转换为灰度图像 img = cv2.imread('image.jpg') gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 对灰度图像进行二值化处理 ret, thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU) # 进行距离变换 dist_transform = cv2.distanceTransform(thresh, cv2.DIST_L2, 5) ret, markers = cv2.threshold(dist_transform, 0.7*dist_transform.max(), 255, 0) # 对标记图像进行分水岭算法处理 markers = cv2.watershed(img, markers) img[markers == -1] = [0,255,0] # 显示分割结果 cv2.imshow('Segmented Image', img) cv2.waitKey(0) cv2.destroyAllWindows() ``` 在上面的代码中,我们首先读取一张名为"image.jpg"的图像,并将其转换为灰度图像。然后利用cv2.threshold()函数对灰度图像进行二值化处理,得到前景和背景。接下来,我们使用cv2.distanceTransform()函数进行距离变换,得到每个像素到最近的背景像素的距离。然后对距离变换的结果进行阈值处理,得到一张标记图像。最后,我们利用cv2.watershed()函数对标记图像进行分水岭算法处理,得到分割结果。

“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 8
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

打赏作者

八岁爱玩耍

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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