WHCSRL 技术网

使用 Python 基于边缘和基于区域的分割

点击上方“小白学视觉”,选择加"星标"或“置顶

重磅干货,第一时间送达

e5bc346a09aaa72281e1975d84a27671.png

在这篇文章中,我将重点介绍基于边缘和基于区域的分割技术,在进入细节之前,我们需要了解什么是分割以及它是如何工作的。

分割

图像分割是一种将数字图像分割成各种图像对象的技术。

一个区域(图像对象)中的每个像素在某些属性上是相似的,例如颜色、强度、位置或纹理,这可以降低图像的复杂性,以便于分析。在分割的帮助下,还可以从图像中检测出隐藏信息。

分割算法处理图像的两个基本属性:

  • 强度值,例如不连续性(边界法)

  • 相似性(区域法)

在下图中,我们看到了一张以椅子、桌子、窗户等为特征的图像。我们可以通过分割来分别获取这些对象。中间的图像有一把椅子、一张桌子和窗户作为我们的分割图像对象。在最右边的图像中,通过标记图像对象来使用实例分割。

在使用 Python 进行机器学习之后,分割变得非常容易。

a09decd09602b81c57e2e50abd8a8896.png

图像分割的必要性

将图像划分为不同的图像对象,从中获取信息,然后使用标签来训练各种 ML 模型以解决业务问题,其中一个例子是一个面部识别系统,该系统通过分割自动标记出勤情况。

分割的另一个应用是在医学领域中,在检测到肿瘤、癌症等严重疾病后进行高效和快速的诊断,以及查看由射线照相、MRI、热成像、内窥镜检查、细胞和组织的超声检查生成的医学图像中的模式。图像分割在机器人等领域也有巨大的应用。

图像分类是一种流行的分割应用,算法只能从图像中捕获所需的成分。在 Python 中实现图像分割很容易,以获得快速的结果。

基于边缘分割

在这种方法中,区域的边界彼此之间以及与背景之间的差异很大,允许基于强度(灰度级)的局部不连续性进行边界检测。

换句话说,它是在图像中定位边缘的过程。这是理解图像特征的非常重要的一步,因为我们知道边缘由有意义的特征组成并且具有重要的信息。

224b888472a8fea522d218a2aa4d6ed3.png

基于区域分割

这种方法包括根据一组特定的标准将图像划分为相似的区域。

基于区域的分割技术涉及一种算法,该算法通过将图像划分为具有相似像素特征的各种组件来进行分割,该技术在输入图像中搜索小块或大块以进行分割。

它将向选定的块添加更多像素,或者将块点进一步缩小为更小的段,并将它们与其他更小的块点合并。因此,基于该方法还有两种更基本的技术:区域生长和区域合并与分割。

9fd1315c191f59844a970ae32639e624.png

分割的主要应用

  • 重大疾病检测

  • 人脸识别系统

  • 自动驾驶汽车

  • 机器人学

Python实现

  1. import numpy as np
  2. import matplotlib.pyplot as plt
  3. from skimage import data
  4. coins = data.coins()
  5. hist = np.histogram(coins, bins=np.arange(0, 256))
  6. fig, (ax1) = plt.subplots()
  7. ax1.imshow(coins, cmap=plt.cm.gray,interpolation='nearest')

2cebfa1e9fa815e20e04cc6129461289.png

基于边缘的分割

  1. from skimage.feature import canny
  2. edges = canny(coins/255.)
  3. fig, ax = plt.subplots(figsize=(4, 3))
  4. ax.imshow(edges, cmap=plt.cm.gray, interpolation='nearest')
  5. ax.axis('off')
  6. ax.set_title('Canny detector')
  7. Text(0.5, 1.0, 'Canny detector')

在这段代码中,我们使用了 canny 库,这是一种流行的边缘检测算法来检测输入图像的边缘。

8efcf23ebb2ac3d485d0f38d12a187e7.png

通过设置有效对象的最小大小,可以轻松去除小的虚假对象:

  1. from scipy import ndimage as ndi
  2. fill_coins = ndi.binary_fill_holes(edges)
  3. fig, ax = plt.subplots(figsize=(4, 3))
  4. ax.imshow(fill_coins, cmap=plt.cm.gray, interpolation='nearest')
  5. ax.axis('off')
  6. ax.set_title('Filling the holes')
  7. Text(0.5, 1.0, 'Filling the holes')

我们使用ndimage as ndi,这意味着一个n维图像,它是处理图像处理操作的子模块,如输入、输出、裁剪、过滤等。

Ndi.binary_fill_holes用于填充连接到边界的n维二进制阵列孔和侵入孔。

基于区域的分割

  1. from skimage.filters import sobel
  2. elevation_map = sobel(coins)
  3. fig, ax = plt.subplots(figsize=(4, 3))
  4. ax.imshow(elevation_map, cmap=plt.cm.gray, interpolation='nearest')
  5. ax.axis('off')
  6. ax.set_title('elevation_map')
  7. Text(0.5, 1.0, 'elevation_map')

在这里,我们从skimage.filters导入sobel模块,该模块用于查找输入图像中的边缘。

Sobel transform 还可以帮助我们找到输入图像中的垂直和水平边缘。

7e99659513d44be485dd01201088c9b2.png

结论

这篇文章用 Python 实现详细解释了分割及其两种重要技术(基于边缘的分割和基于区域的分割)。

下载1:OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复:扩展模块中文教程即可下载全网第一份OpenCV扩展模块教程中文版,涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2:Python视觉实战项目52讲

在「小白学视觉」公众号后台回复:Python视觉实战项目即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目,助力快速学校计算机视觉。

下载3:OpenCV实战项目20讲

在「小白学视觉」公众号后台回复:OpenCV实战项目20讲即可下载含有20个基于OpenCV实现20个实战项目,实现OpenCV学习进阶。

交流群

欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~

e32f334252a7609c9f9c8697699055dd.png

850d9a7a45e833c8509222d3b2bf937c.png

推荐阅读