為什么要圖像分割？

目標

掌握圖像分割的基本概念

了解圖像分割方法分類
目標：將圖像劃分為不同區(qū)域

定義：令集合R代表整個圖像區(qū)域，對R的圖像分割可以看作是將R分成N個滿足以下條件的非空子集$R_1,R_2,...,R_N$:
$$\underset{i=1}{\overset{N}{?}}{R}_i=R，R_i\cap R_j=?$$
應(yīng)用：醫(yī)學(xué)圖像分割、工件表面缺陷檢測、實例分割、字符識別

圖像分割方法：

基于圖像灰度閾值

基于邊界的方法

基于區(qū)域的方法

基于聚類的方法

基于圖論及概率模型的方法

深度學(xué)習(xí)方法

圖像標記：為像素$f(x,y)$打上準確的離散化標簽$g(x,y)$。4-連通域和8-連通域?qū)Υ驑撕灥呐袛鄻藴什灰粯印?/p>

總結(jié)：

圖像分割是中層視覺的重要內(nèi)容，具有廣泛應(yīng)用

圖像分割的主要方法包括閾值法、區(qū)域法等

圖像標記為分割后的結(jié)果打上不同標簽，便于后續(xù)處理

基于灰度直方圖的閾值分割

目標：

掌握灰度閾值分割的基本概念

掌握大津算法的基本思想及實現(xiàn)

灰度閾值分割

• 假設(shè)：圖像中的目標區(qū)和背景區(qū)之間或不同目標區(qū)之間，灰度存在明顯差異
• 凡是灰度值包含于z的像素都變成某一灰度值，其他變成另一個灰度值，則該圖像就以z為界被分成兩個區(qū)域
• 如果=1和=0，分割后的圖像為二值圖像

自動閾值分割

• 自動確定最佳閾值，使背景和目標之間的差異最大

大津(Otsu)算法原理I:

• 根據(jù)統(tǒng)計分析理論，最佳閾值確定的最佳二分類應(yīng)使類內(nèi)方差最小，等同于類間方差最大
• 大津算法基本思想：確定使灰度直方圖類間方差最大的最佳閾值
• 假設(shè)灰度直方圖已經(jīng)歸一化，即
  $$p_i=\frac{n_i}{N},\sum p_i=1$$

大津(Otsu)算法原理II:

• 假設(shè)閾值T將像素灰度劃分為兩類：$C_0$和$C_1$,則每一類出現(xiàn)的概率：
  $${\omega }_0=\sum _{i=1}^T{p}_i,{\omega }_1=\sum _{i=T+1}^N{p}_i=1?{\omega }_0$$
• 每類的平均灰度級：
  $${\mu }_0=\sum _{i=1}^{T}i{p}_i/{\omega }_0=\frac{\acute{{\mu }_0}}{{\omega }_0},{\mu }_1=\sum _{i=T+1}^{N}i{p}_i/{\omega }_1=\frac{\acute{{\mu }_1}}{{\omega }_1}=\frac{\mu ?\acute{{\mu }_0}}{1?{\omega }_0}$$
  其中$\mu ={\sum }_{i=1}^{N}i{p}_i$。顯然有${\omega }_0{\mu }_0+{\omega }_1{\mu }_1=\mu$

大津算法原理III：

• 兩類類內(nèi)方差：
  $${\sigma }_0^2=\sum _{i=1}^T(i?{\mu }_0{)}^2{p}_i/{\omega }_0，{\sigma }_1^2=\sum _{i=T+1}^N(i?{\mu }_1{)}^2{p}_i/{\omega }_1$$
• 對應(yīng)的類間方差：
  $${\sigma }_B^2={\omega }_0({\mu }_0?\mu {)}^2+{\omega }_1({\mu }_1?\mu {)}^2={\omega }_0{\omega }_1({\mu }_1?{\mu }_0{)}^2$$

大津算法原理IV：

• 顯然，${\omega }_B$是關(guān)于最佳閾值T的隱函數(shù)，應(yīng)選取T：
  $$T=argmax{\sigma }_B^2,1<=T<L$$
• 算法實現(xiàn)：遍歷灰度取值，使${\sigma }_B^2$最大

總結(jié)

大津算法是常用的一類灰度閾值自動選取方式，目標是令類間方差最大

大津算法求解采用遍歷方式，思想直接，實現(xiàn)速度快。

灰度閾值分割實戰(zhàn)演練

目標：

掌握如何使用OpenCV實現(xiàn)基于邊緣的分割

掌握大津算法的OpenCV實現(xiàn)

基于邊緣輪廓的分割

• 可以在邊緣檢測的基礎(chǔ)上，基于閉合邊緣構(gòu)建分割后的結(jié)果
• 該算法基于Suzuki,S.“Topological structural analysis of digitized binary images by border following.”

相關(guān)函數(shù)

• 找到目標輪廓

image, contours, hierarchy = cv2.findContours(image, mode, method[, contours[, hierarchy[, offset]]]) #image:單通道圖像矩陣，可以是灰度圖，但更常用的是經(jīng)過邊緣檢測算子處理后的二值圖像； #contours:定義為"vector<vector<Point>>contours",是一個輪廓列表； #hierachy:存在嵌套輪廓時，分別為第i個輪廓的后一個輪廓、前一個輪廓、父輪廓、內(nèi)嵌輪廓的索引編號； #mode:包括CV_CHAIN_APPROX_SIMPLE僅保存輪廓的拐點信息，把所有輪廓拐點處的點保存入contours等； #offset:所有的輪廓信息相對于原始圖像對應(yīng)的偏移量，缺省不設(shè)置。

實例：

要求：檢測圖中的米粒
算法步驟：

圖像采集(取得圖像)

圖像預(yù)處理或后處理

基于灰度的閾值分割

得到最終結(jié)果

import cv2 import matplotlib.pyplot as plt import copy #打開圖像 filename = r'C:/python/img/rice.png' image = cv2.imread(filename) gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) #大津算法灰度閾值化 thr, bw = cv2.threshold(gray, 0, 0xff, cv2.THRESH_OTSU) print('Threshold is:', thr)#畫出灰度直方圖 plt.hist(gray.ravel(), 256, [0, 256]) plt.show()element = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3)) bw = cv2.morphologyEx(bw, cv2.MORPH_OPEN, element)seg = copy.deepcopy(bw) #計算輪廓 cnts, hier = cv2.findContours(seg, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) #cnts:分割后的所有輪廓 #hier:分割后的結(jié)果count = 0 #遍歷所有區(qū)域，并去除面積過小的 for i in range(len(cnts), 0, -1):c = cnts[i-1]area = cv2.contourArea(c)if area < 10:continuecount = count + 1print("blob", i, " : ", area)#區(qū)域畫框并標記x, y, w, h = cv2.boundingRect(c)cv2.rectangle(image, (x, y), (x+w, y+h), (0, 0, 0xff), 1)cv2.putText(image, str(count), (x,y), cv2.FONT_HERSHEY_PLAIN, 0.5, (0, 0xff, 0))print("米粒數(shù)量：", count) cv2.imshow("源圖", image) cv2.imshow("閾值化圖", bw)cv2.waitKey() cv2.destroyAllWindows()

由于沒有進行前處理，右下角出現(xiàn)漏點。

局部閾值分割實戰(zhàn)演練

目標：

了解局部閾值法分割基本原理

了解多閾值分割的基本原理

全局閾值法的問題：背景存在光照不均時，分割效果變差

局部閾值法

將原圖片劃分區(qū)域，分別看但各區(qū)域內(nèi)灰度值極值的差值，對大于一定值的區(qū)域單獨進行大津算法分割。

多閾值分割原理

對比：類間方差(二類)：
$${\sigma }_B^2={\omega }_0({\mu }_0?\mu {)}^2+{\omega }_1({\mu }_1?\mu {)}^2={\omega }_0{\omega }_1({\mu }_1?{\mu }_0{)}^2$$
類間方差(多類)：
$${\sigma }_B^2=\sum _{k=1}^K{\omega }_k({\mu }_k?\mu {)}^2$$
其中${\sum }_{k=1}^K{\omega }_k=1$。
選擇最優(yōu)閾值$T_1,......,T_k$:
$$(T_1,......,T_k)=argmax{\sigma }_B^2(T_1,......,T_k),1<=T_1<...<T_k<L$$
圖像差別可通過峰值信噪比(PSNR)評價：
定義均方誤差：
$$MSE=\frac{1}{mn}\sum _{x=0}^{m?1}\sum _{y=0}^{n?1}\Vert f(x,y)?g(x,y){\Vert }^2$$
原圖像和處理后圖像逐像素作差的平方和除以圖像像素數(shù)
定義PSNR：
$$PSNR=10?lo{g}_{10}(\frac{f_{MAX}^2}{MSE})=20?lo{g}_{10}(\frac{f_{MAX}^2}{\sqrt{MSE}})，f_{MAX}對應(yīng)最大灰度值$$

總結(jié)：

局部閾值法可有效解決照明不均的問題

多閾值法是二值化分割方法的擴展，可解決多指目標的分割問題

總結(jié)

以上是生活随笔為你收集整理的图像分割I的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯，歡迎將生活随笔推薦給好友。