使用 Python 的基于边缘和基于区域的分割-轻识

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

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。

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。

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。

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

import numpy as npimport matplotlib.pyplot as pltfrom skimage import datacoins = data.coins()hist = np.histogram(coins, bins=np.arange(0, 256))fig, (ax1) = plt.subplots()ax1.imshow(coins, cmap=plt.cm.gray,interpolation='nearest')

基于边缘的分割

from skimage.feature import cannyedges = canny(coins/255.)fig, ax = plt.subplots(figsize=(4, 3))ax.imshow(edges, cmap=plt.cm.gray, interpolation='nearest')ax.axis('off')ax.set_title('Canny detector')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。

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：

from scipy import ndimage as ndifill_coins = ndi.binary_fill_holes(edges)fig, ax = plt.subplots(figsize=(4, 3))ax.imshow(fill_coins, cmap=plt.cm.gray, interpolation='nearest')ax.axis('off')ax.set_title('Filling the holes')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

from skimage.filters import sobelelevation_map = sobel(coins)fig, ax = plt.subplots(figsize=(4, 3))ax.imshow(elevation_map, cmap=plt.cm.gray, interpolation='nearest')ax.axis('off')ax.set_title('elevation_map')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。

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~