紫金网站建设价格,选做旅游网站的课题分析,html5安装教程,网站建设技术交流qq传统的图像分割方法主要依赖于图像的灰度值、纹理、颜色等特征#xff0c;通过不同的算法将图像分割成多个区域。这些方法通常可以分为以下几类#xff1a; 1.基于阈值的方法 2.基于边缘的方法 3.基于区域的方法 4.基于聚类的方法 下面详细介绍这些方法及其示例代码。
1. 基…传统的图像分割方法主要依赖于图像的灰度值、纹理、颜色等特征通过不同的算法将图像分割成多个区域。这些方法通常可以分为以下几类 1.基于阈值的方法 2.基于边缘的方法 3.基于区域的方法 4.基于聚类的方法 下面详细介绍这些方法及其示例代码。
1. 基于阈值的方法
基于阈值的方法是最简单的图像分割方法之一通过设定一个或多个阈值将图像分为前景和背景。
示例代码全局阈值
import cv2
import numpy as np
from matplotlib import pyplot as plt# 读取灰度图像
image cv2.imread(image.jpg, cv2.IMREAD_GRAYSCALE)# 应用全局阈值分割
_, thresh cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)# 显示结果
plt.subplot(1, 2, 1)
plt.title(Original Image)
plt.imshow(image, cmapgray)plt.subplot(1, 2, 2)
plt.title(Global Thresholding)
plt.imshow(thresh, cmapgray)plt.show()
示例代码Otsu’s 阈值
_, otsu_thresh cv2.threshold(image, 0, 255, cv2.THRESH_BINARY cv2.THRESH_OTSU)plt.subplot(1, 2, 1)
plt.title(Original Image)
plt.imshow(image, cmapgray)plt.subplot(1, 2, 2)
plt.title(Otsu Thresholding)
plt.imshow(otsu_thresh, cmapgray)plt.show()
2. 基于边缘的方法
基于边缘的方法通过检测图像中的边缘将图像分割成不同的区域。 示例代码Canny 边缘检测
edges cv2.Canny(image, 100, 200)plt.subplot(1, 2, 1)
plt.title(Original Image)
plt.imshow(image, cmapgray)plt.subplot(1, 2, 2)
plt.title(Edge Detection)
plt.imshow(edges, cmapgray)plt.show()
3. 基于区域的方法
基于区域的方法通过区域生长、区域合并等算法根据像素相似性将图像分割成不同的区域。 示例代码区域生长
import cv2
import numpy as np
from matplotlib import pyplot as pltdef region_growing(img, seed):h, w img.shapesegmented_img np.zeros_like(img)stack [seed]while len(stack) 0:x, y stack.pop()if segmented_img[x, y] 0 and img[x, y] 128:segmented_img[x, y] 255if x 0:stack.append((x - 1, y))if x h - 1:stack.append((x 1, y))if y 0:stack.append((x, y - 1))if y w - 1:stack.append((x, y 1))return segmented_img# 读取灰度图像
image cv2.imread(image.jpg, cv2.IMREAD_GRAYSCALE)seed (100, 100) # 种子点
segmented_img region_growing(image, seed)plt.subplot(1, 2, 1)
plt.title(Original Image)
plt.imshow(image, cmapgray)
plt.subplot(1, 2, 2)
plt.title(Region Growing)
plt.imshow(segmented_img, cmapgray)
plt.show()4. 基于聚类的方法
基于聚类的方法通过聚类算法如K均值聚类将图像中的像素分为不同的簇从而实现图像分割。 示例代码K均值聚类
import cv2
import numpy as np
from matplotlib import pyplot as plt# 读取图像并转换为二维数据
image cv2.imread(image.jpg)
Z image.reshape((-1, 3))
Z np.float32(Z)# 定义K均值参数
criteria (cv2.TERM_CRITERIA_EPS cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K 3
ret, label, center cv2.kmeans(Z, K, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)# 转换回uint8数据类型并重塑回原始图像
center np.uint8(center)
res center[label.flatten()]
segmented_image res.reshape((image.shape))# 显示结果
plt.subplot(1, 2, 1)
plt.title(Original Image)
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB))plt.subplot(1, 2, 2)
plt.title(Segmented Image (K 3))
plt.imshow(cv2.cvtColor(segmented_image, cv2.COLOR_BGR2RGB))plt.show()5. 基于图论的方法
基于图论的方法通过将图像看作一个图其中像素是图的节点边的权重表示像素之间的相似性。常见的图论方法有图割算法Graph Cut和分水岭算法Watershed。
分水岭算法步骤
预处理为了减小噪声影响通常对图像进行平滑处理。计算梯度使用梯度运算子如Sobel算子计算图像的梯度得到梯度幅值图。标记前景和背景通过一些方法如阈值分割或形态学操作对前景和背景进行标记。应用分水岭算法基于标记的前景和背景对图像应用分水岭算法进行分割。
详细代码实现 以下是一个详细的Python代码示例展示如何使用OpenCV实现分水岭算法进行图像分割
import cv2
import numpy as np
from matplotlib import pyplot as plt# 读取图像
image cv2.imread(image.jpg)
gray cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)# 1. 预处理平滑图像减小噪声
blurred cv2.GaussianBlur(gray, (5, 5), 0)# 2. 计算梯度
grad_x cv2.Sobel(blurred, cv2.CV_64F, 1, 0, ksize3)
grad_y cv2.Sobel(blurred, cv2.CV_64F, 0, 1, ksize3)
gradient cv2.addWeighted(grad_x, 0.5, grad_y, 0.5, 0)# 3. 二值化
_, binary cv2.threshold(gradient, 50, 255, cv2.THRESH_BINARY | cv2.THRESH_OTSU)# 4. 形态学操作去除小块噪声
kernel cv2.getStructuringElement(cv2.MORPH_RECT, (3, 3))
closed cv2.morphologyEx(binary, cv2.MORPH_CLOSE, kernel, iterations2)# 5. 距离变换
dist_transform cv2.distanceTransform(closed, cv2.DIST_L2, 5)
_, sure_fg cv2.threshold(dist_transform, 0.7 * dist_transform.max(), 255, 0)
sure_fg np.uint8(sure_fg)
unknown cv2.subtract(closed, sure_fg)# 6. 标记前景和背景
_, markers cv2.connectedComponents(sure_fg)# 增加1以便背景为1
markers markers 1# 未知区域标记为0
markers[unknown 255] 0# 7. 应用分水岭算法
markers cv2.watershed(image, markers)
image[markers -1] [0, 0, 255]# 显示结果
plt.subplot(2, 2, 1), plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)), plt.title(Original Image)
plt.subplot(2, 2, 2), plt.imshow(gradient, cmapgray), plt.title(Gradient)
plt.subplot(2, 2, 3), plt.imshow(closed, cmapgray), plt.title(Closed)
plt.subplot(2, 2, 4), plt.imshow(markers, cmapgray), plt.title(Markers)
plt.show()
代码解释 1.读取图像和预处理
读取图像并转换为灰度图。使用高斯模糊平滑图像减小噪声。
2.计算梯度
使用Sobel算子计算图像的梯度。将x方向和y方向的梯度组合在一起得到梯度幅值图。
3.二值化
使用全局阈值Otsu方法对梯度图进行二值化。
4.形态学操作
使用闭运算去除小块噪声填补前景对象中的小孔。
5.距离变换
计算前景对象的距离变换。根据距离变换结果确定前景对象的中心区域。
6.标记前景和背景
使用连通组件标记前景区域。增加1使背景标记为1前景标记为234……
7.应用分水岭算法
将未标记的未知区域标记为0。应用分水岭算法进行图像分割标记边缘区域为-1。
显示结果
使用Matplotlib显示原始图像、梯度图、形态学处理结果和分水岭标记结果。
通过以上步骤可以实现对图像的分水岭分割。该方法在处理复杂形状和具有噪声的图像时表现较好。 另外一个分水岭分割代码: import cv2
import numpy as np
from matplotlib import pyplot as plt#获取背景
# 1. 通过二值法得到黑白图片
# 2. 通过形态学获取背景img cv2.imread(water_coins.jpeg)
gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)ret, thresh cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV cv2.THRESH_OTSU)#开运算
kernel np.ones((3,3), np.int8)
open1 cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations 2)#膨胀
bg cv2.dilate(open1, kernel, iterations 1)#获取前景物体
dist cv2.distanceTransform(open1, cv2.DIST_L2, 5)ret, fg cv2.threshold(dist,0.7*dist.max(), 255, cv2.THRESH_BINARY)# plt.imshow(dist, cmapgray)
# plt.show()
# exit()#获取未知区域
fg np.uint8(fg)
unknow cv2.subtract(bg, fg)#创建连通域
ret, marker cv2.connectedComponents(fg)marker marker 1
marker[unknow255] 0#进行图像分割
result cv2.watershed(img, marker)img[result -1] [0, 0, 255]cv2.imshow(img, img)
cv2.imshow(unknow, unknow)
cv2.imshow(fg, fg)
cv2.imshow(bg, bg)
cv2.imshow(thresh, thresh)
cv2.waitKey()
下面是图片
6. 基于直方图的方法
基于直方图的方法利用图像的灰度或颜色直方图进行分割如图像分割中的Mean-Shift算法。 示例代码直方图均衡化
import cv2
from matplotlib import pyplot as plt# 读取灰度图像
image cv2.imread(image.jpg, cv2.IMREAD_GRAYSCALE)# 应用直方图均衡化
equalized_image cv2.equalizeHist(image)# 显示结果
plt.subplot(1, 2, 1)
plt.title(Original Image)
plt.imshow(image, cmapgray)plt.subplot(1, 2, 2)
plt.title(Histogram Equalization)
plt.imshow(equalized_image, cmapgray)plt.show()7. 基于pyrMeanShiftFiltering分割
pyrMeanShiftFiltering示例代码
import cv2
import numpy as npimg cv2.imread(key.png)mean_img cv2.pyrMeanShiftFiltering(img, 20, 30)imgcanny cv2.Canny(mean_img, 150, 300)contours, _ cv2.findContours(imgcanny, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)cv2.drawContours(img, contours, -1, (0, 0, 255), 2)cv2.imshow(img, img)
cv2.imshow(mean_img, mean_img)
cv2.imshow(canny, imgcanny)
cv2.waitKey()7. 基于GrabCut算法进行前景分割
GrabCut示例代码
import cv2
import numpy as npclass App:flag_rect Falserect(0, 0, 0, 0)startX 0startY 0def onmouse(self, event, x, y, flags, param):if event cv2.EVENT_LBUTTONDOWN:self.flag_rect Trueself.startX xself.startY yprint(LBUTTIONDOWN)elif event cv2.EVENT_LBUTTONUP:self.flag_rect Falsecv2.rectangle(self.img, (self.startX, self.startY),(x, y),(0, 0, 255), 3)self.rect (min(self.startX, x), min(self.startY, y), abs(self.startX - x), abs(self.startY -y))print(LBUTTIONUP)elif event cv2.EVENT_MOUSEMOVE:if self.flag_rect True:self.img self.img2.copy()cv2.rectangle(self.img, (self.startX, self.startY),(x, y),(255, 0, 0), 3)print(MOUSEMOVE) print(onmouse)def run(self):print(run...)cv2.namedWindow(input)cv2.setMouseCallback(input, self.onmouse)self.img cv2.imread(./flower.png)self.img2 self.img.copy()self.mask np.zeros(self.img.shape[:2], dtypenp.uint8)self.output np.zeros(self.img.shape, np.uint8)while(1):cv2.imshow(input, self.img)cv2.imshow(output, self.output)k cv2.waitKey(100)if k 27:breakif k ord(g):bgdmodel np.zeros((1, 65), np.float64)fgdmodel np.zeros((1, 65), np.float64)cv2.grabCut(self.img2, self.mask, self.rect,bgdmodel, fgdmodel,1, cv2.GC_INIT_WITH_RECT)mask2 np.where((self.mask1)|(self.mask3), 255, 0).astype(uint8)self.output cv2.bitwise_and(self.img2, self.img2, maskmask2) App().run()这段代码允许用户通过鼠标在图像上绘制矩形框并通过GrabCut算法进行前景分割。在运行过程中用户可以通过鼠标操作绘制矩形并通过按下g键触发分割算法。
8.视频背景分割
视频背景分割有三种方法
cv2.bgsegm.createBackgroundSubtractorMOG()cv2.createBackgroundSubtractorMOG2()cv2.bgsegm.createBackgroundSubtractorGMG()
1.cv2.bgsegm.createBackgroundSubtractorMOG()基于高斯混合模型Mixture of Gaussians, MOG的背景减法器。它是OpenCV中的一个较早实现版本。 特点
使用高斯混合模型来表示背景。对于每个像素使用多个高斯分布来建模。更适合静态背景和较慢的场景变化。 特点 使用高斯混合模型来表示背景。 对于每个像素使用多个高斯分布来建模。 更适合静态背景和较慢的场景变化。
2.cv2.createBackgroundSubtractorMOG2()这个函数创建了MOG2背景减法器是对MOG的改进版本。它是OpenCV中默认和推荐的背景减法方法。 特点
改进的高斯混合模型能够自动调整模型中的高斯分布数量。更加鲁棒能够更好地处理光照变化和场景中的噪声。提供阴影检测功能。
3.cv2.bgsegm.createBackgroundSubtractorGMG()这个函数创建了基于统计渐变的背景减法器GMG。 特点
使用逐像素贝叶斯分段和统计渐变。需要一定数量的初始帧来建立背景模型。对于处理动态背景和复杂场景非常有效但初始化较慢。
import cv2
import numpy as npcap cv2.VideoCapture(./vtest.avi)
#mog cv2.bgsegm.createBackgroundSubtractorMOG()
# mog cv2.createBackgroundSubtractorMOG2()
mog cv2.bgsegm.createBackgroundSubtractorGMG()while(True):ret, frame cap.read()fgmask mog.apply(frame)cv2.imshow(img,fgmask)k cv2.waitKey(10) if k 27:breakcap.release()
cv2.destroyAllWindows()9.图像恢复算法
图像恢复算法用于从损坏或降质的图像中恢复原始图像。常用的方法包括
区域增长法Region Growing基于区域扩展修复缺失部分。纹理合成法Texture Synthesis使用相邻区域的纹理填补缺失部分。深度学习方法如基于GAN的图像修复方法。
代码示例
import cv2
import numpy as np
img cv2.imread(inpaint.png)
mask cv2.imread(inpaint_mask.png, 0)
dst cv2.inpaint(img, mask, 5, cv2.INPAINT_TELEA)
cv2.imshow(dst, dst)
cv2.imshow(img, img)
cv2.waitKey()inpaint_mask.png inpaint.png
