【Opencv】图像分割——区域生长

这篇具有很好参考价值的文章主要介绍了【Opencv】图像分割——区域生长。希望对大家有所帮助。如果存在错误或未考虑完全的地方,请大家不吝赐教,您也可以点击"举报违法"按钮提交疑问。

1 环境

  • Python 3.8.8
  • PyCharm 2021
  • opencv-python

2 效果

【Opencv】图像分割——区域生长
【Opencv】图像分割——区域生长

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。

【Opencv】图像分割——区域生长

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。

【Opencv】图像分割——区域生长
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)

【Opencv】图像分割——区域生长文章来源地址https://www.toymoban.com/news/detail-447590.html

到了这里,关于【Opencv】图像分割——区域生长的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处: 如若内容造成侵权/违法违规/事实不符,请点击违法举报进行投诉反馈,一经查实,立即删除!

领支付宝红包 赞助服务器费用

相关文章

  • 点云分割-pcl区域生长算法

    1、本文内容 pcl的区域生长算法的使用和原理 2、平台/环境 cmake, pcl 3、转载请注明出处: https://blog.csdn.net/qq_41102371/article/details/131927376 参考:https://pcl.readthedocs.io/projects/tutorials/en/master/region_growing_segmentation.html#region-growing-segmentation https://blog.csdn.net/taifyang/article/details/124097186

    2024年02月15日
    浏览(41)
  • PCL 区域生长分割(C++详细过程版)

      区域生长分割是PCL里经典的点云聚类分割算法,具体算法原理和实现代码见:PCL 区域生长分割。为充分了解算法实现的每一个细节和有待改进的地方,使用C++代码对算法实现过程进行复现。 注意: 该算法的实现过程中,加入多线程可能会得到错误的结果。因此,未进行

    2024年02月10日
    浏览(36)
  • OpenCv案例(九): 基于OpenCvSharp图像分割提取目标区域和定位

    以下原图中,物体连靠在一起,目的是将其分割开,再提取轮廓和定位 原图:   最终效果: 麻烦的地方是,分割开右下角部分,两个连在一起的目标物体,下图所示:  基本方法:BoxFilter滤波、二值化、轮廓提取,凸包检测,图像的矩 代码如下: 灰度图像后图像二值化:

    2024年02月11日
    浏览(38)
  • OPENCV C++图像提取,图像处理,roi,阈值分割,连通区域筛选,边缘检测(以箱子边缘框选为例)

    本周有机会接触了一点opnev, 在此做一下记录, 最终以 框选出下图箱子为目的( 图片箱子为相机实拍结果,曝光有点低,会有亿点点暗 ), 本文会拆解步骤并附上图片, 完整的源码在最后.PS: 本文参考了好多大佬分享的理论知识, 在此先感谢大佬的分享~~ 首先是梳理一下流程, 下图是

    2024年02月07日
    浏览(51)
  • 6. QT环境下使用OPenCV(利用鼠标实现图像的ROI区域选择)

    1. 说明 一张图像显示的内容可能并非所有的都是有用信息,有时需要选定某些区域做出特殊的处理。在OPenCV当中可以在图像上响应鼠标的操作,选取出图像上的特殊区域 — ROI区域。 效果展示: 2. 实现步骤 首先在QtCreator中创建一个新的widget项目,并配置好OPenCV的开发环境,

    2024年02月12日
    浏览(48)
  • opencv 图像分割与提取(python)

    图像分割与提取 图像中将前景对象作为目标图像分割或者提取出来。 对背景本身并无兴趣 分水岭算法及GrabCut算法对图像进行分割及提取。 用分水岭算法实现图像分割与提取 分水岭算法将图像形象地比喻为地理学上的地形表面,实现图像分割,该算法非常有效。 算法原理

    2024年02月04日
    浏览(48)
  • 图像处理技术:数字图像分割 ------ 图像分割、边界分割(边缘检测)、区域分割

    是指根据灰度、彩色、空间纹理、几何形状等特征把图像划分 成若干个互不相交的区域,使得这些特征在同一区域内表现出一致 性或相似性,而在不同区域间表现出明显的不同 分割出来的区域应该同时满足:  (1)分割出来的图像区域的均匀性和连通性。 • 均匀性是指该

    2024年02月04日
    浏览(48)
  • python opencv之图像分割、计算面积

    以下代码是一个基于K-means聚类算法进行图像分割的实现。通过读取一个彩色图像,将其转化为二维数组形式。然后使用K-means算法对像素点进行聚类,聚类个数为7。根据聚类后的标签值对像素点进行着色,并创建掩膜图像。接着使用形态学开运算和闭运算去掉周围的绿色点和

    2024年02月06日
    浏览(38)
  • 数字图像处理:图像分割——边缘检测与区域分割

    1.图像分割:根据图像的某些局部特征(灰度级、纹理、彩色或统计特征等)的相似性和互斥性,将图像分割成若干子区域,在每个子区域内部具有相似(相同或相近)特性,而相邻子区域的特性互斥。所以图像分割是利用图像局部特征的相似性和互斥性。 2.图像分割方法分

    2024年02月05日
    浏览(44)
  • 基于区域的图像分割

    基于区域的图像分割是数字图像处理中常用的一种方法,它通过将图像中的像素分配到不同的区域或对象来实现图像分割的目的。相比于基于边缘或阈值的方法,基于区域的图像分割更注重像素之间的相似性和连续性,能够更好地捕捉到图像中不同对象的区域特征。本文将介

    2024年02月05日
    浏览(43)

觉得文章有用就打赏一下文章作者

支付宝扫一扫打赏

博客赞助

微信扫一扫打赏

请作者喝杯咖啡吧~博客赞助

支付宝扫一扫领取红包,优惠每天领

二维码1

领取红包

二维码2

领红包