彩色分割--数字图像处理作业

简答题

从下面任选一图，分割出图中的鱼、花或蝴蝶。（需包含所用算法原理 、处理步骤、结果图片及关键代码）

 

 答案 

1. 选题。选择向日葵图片进行分割。

2. 思路。图片背景是蓝色的天空，考虑对蓝色部分分割出来后，在原图基础上减去分割所得图像即可达到向日葵。

3. 算法原理。在RGB空间上使用基于曼哈顿距离的分割算法。

        1. 曼哈顿距离。基于曼哈顿距离的优势在于，相较于欧式距离，它的计算量大大减少，其核心思想是在边界盒中心α 处，沿每一个颜色轴选择的维数与沿每个轴的样本的标准差成比例，标准差的计算只使用一次样本颜色数据。

        2. 基于曼哈顿距离的彩色分割算法原理。通过采样可以确定欲分割区域的彩色平均向量α，选定边界盒各通道的范围之后，将各通道颜色位于边界范围内的像素点提取出来，便完成了分割。被分割像素需满足的色彩标准为：

其中η是阈值系数，σ是各通道的标准差

 4. 步骤。

step1. 读取图像，划出要去除的（或分割）的区域

step2. 计算各通道的平均曼哈顿距离，（使用单通道曼哈顿法只计算要去除那个通道就行）

step3. 调整各通道对应的标准差的比例系数，作为阈值，对同时满足三个阈值限制的像素位置记1否则记0，进一步得到二值图.(单通道法计算单个通道)

step4. 原图与二值图对应元素相乘，便得到了分割后的图像

5. 代码

import cv2
import numpy as np
import matplotlib.pyplot as plt

img = 'sunflower.jpg'
f_bgr = cv2.imread(img, cv2.IMREAD_COLOR)
f_rgb = cv2.cvtColor(f_bgr, cv2.COLOR_BGR2RGB)

#确定要分割出来的颜色的区域
bndbox = {'xmin': 380,'ymin': 200,'xmax': 474,'ymax': 300}

f_rec = cv2.rectangle(f_rgb.copy(),
                      (bndbox['xmin'], bndbox['ymin']),
                      (bndbox['xmax'], bndbox['ymax']),
                      color=(255, 255, 0), thickness=3)

cv2.imwrite("bndbox.jpg",f_rec)
plt.imshow(f_rec)
plt.savefig("bndbox")
plt.show()

def binary_mix(f, b):
    """
    混合输入图像和二值化图像，相当于图像的与操作
    :参数 f: 输入图像
    :参数 b: 二值图像
    """
    g = f.copy()
    H, W, C = g.shape

    #遍历每个通道的每个像素，与对应二值相乘
    for c in range(C):
        g[:, :, c] = np.multiply(g[:, :, c], b)
    return g

def single_Manhattan(f, box, eta, channel=0):
    """
    计算单通道平均曼哈顿距离并返回二值化图像
    :参数 f: img
    :参数 box: 选择的分割的区域
    :参数 eta: 阈值系数
    :参数 channel: 通道索引
    """
    H, W, C = f.shape                               #读取图像维度
    b = np.zeros((H, W), dtype='int')               #设置空矩阵
    c = f[box[0]:box[2], box[1]:box[3] , channel]   #取出框出的部分该通道的数值
    a = np.mean(c)                                  #求该通道灰度平均值
    sigma = np.std(c)                               #求该通道灰度标准差

    #遍历整幅图像的对应通道，对满足色彩条件的记1，形成二值图像
    for w in range(W):
        for h in range(H):
            z = f[h, w, channel]
            if np.abs(z - a) <= eta * sigma:
                b[h, w] = 1

    return b

def multi_weight_Manhattan(f, box, etas):
    """
    计算多通道平均曼哈顿距离并返回二值化图像
    :参数 f: img
    :参数 box: 选择的分割的区域
    :参数 eta: 阈值系数
    :参数 channel: 通道索引
    """
    H, W, C = f.shape
    bs = np.zeros_like(f, dtype='int')  # bs 是图像每个通道的有效二值化矩阵

    #先求每个通道的二值化图像
    for c in range(C):
        bs[:, :, c] = single_Manhattan(f, box, etas[c], c)

    b = np.sum(bs, axis=2)                                  #三张二值图像对应位置求和
    for w in range(W):
        for h in range(H):
            if b[h, w] == C: #当三个条件都满足时，该值为3，此时可以记1，从而得到整个图的二值图
                temp = 1
            else:
                temp = 0
            b[h, w] = temp

    return b

#开始分割

fig, axs = plt.subplots(1, 3, figsize=(10, 4))

#各通道灰度图
axs[0].set_title('R')
axs[0].imshow(f_rgb[:, :, 0], cmap='gray')
axs[1].set_title('G')
axs[1].imshow(f_rgb[:, :, 1], cmap='gray')
axs[2].set_title('B')
axs[2].imshow(f_rgb[:, :, 2], cmap='gray')

plt.suptitle('RGB')
plt.savefig("rgb_gray")
plt.show()

# 多通道带权重的的平均曼哈顿距离

eta2 = (7, 5, 1.125)                            #设置阈值系数

g_m_b_2 = multi_weight_Manhattan(f_rgb, list(bndbox.values()), etas=eta2)

fig, axs = plt.subplots(1, 2, figsize=(10, 5))

axs[0].set_title('g_m_b_2')
axs[0].imshow(g_m_b_2, cmap='gray')
axs[1].set_title('binary_mix(f_rgb, g_m_b_2)')
axs[1].imshow(binary_mix(f_rgb, g_m_b_2))

plt.suptitle(r'multi-channel weighted Manhattan distance: \etas={}'.format(str(eta2)))
plt.savefig('result')
plt.show()

6. 实验结果及分析

图1  选择颜色区域

图2  图像各通道的灰度值

图3  分割结果

       图1所示，选择颜色过渡的地方作为取色区域，计算该区域的均值，标准差。由图2可见，欲分割部分，R通道灰度值较高，G通道灰度值适中，B通道灰度值很小。于是大致上，依照R通道阈值放较宽、G通道阈值小一点、B通道阈值设置较小的原则调整阈值系数，最终得到图3的分割效果。