看我如何做图像分割基于模式识别系统的设计与实现

图像分割基于模式识别系统的设计与实现

1．1 题目的主要研究内容

1. 工作的主要描述

选择任意图片，通过提取的纹理特征、结合像素值与坐标的mean shift、K-means聚类进行图像分割

（2）系统流程图

1．2 题目研究的工作基础或实验条件

1. 硬件环境

电脑PC端 Win10

1. Python语言

Python语言

1．3 数据集描述

图像分割图片来源于网上图片皮卡丘进行图片分割

1．4 特征提取过程描述

颜色特征提取

 颜色集是对颜色直方图的一种近似首先将图像从 RGB颜色空间转化成视觉均衡的颜色空间 HSV 空间，并将颜色空间量化成若干个柄。然后，用色彩自动分割技术将图像分为若干区域，每个区域用量化颜色空间的某个颜色分量来索引，从而将图像表达为一个二进制的颜色索引集。在图像匹配中，比较不同图像颜色集之间的距离和色彩区域的空间关系。

1．5 分类过程描述

对图像K-means进行聚类分析，根据当前聚类中心，利用选定的度量方式，分类所用的样本点，计算当前每一类的样本均值点，作为下次迭代聚类中心，计算下一次迭代的聚类中心与当前聚类中心的差距，如果差距小于给定迭代阈值，迭代结束。

data:  需要分类数据，每个特征放一列。

K:  聚类个数 

bestLabels：预设的分类标签或者None

criteria：迭代停止的模式选择，这是一个含有三个元素的元组型数。格式为（type, max_iter, epsilon） 其中，type有如下模式：

cv2.TERM_CRITERIA_EPS ：精确度（误差）满足epsilon，则停止。

cv2.TERM_CRITERIA_MAX_ITER：迭代次数超过max_iter，则停止。

cv2.TERM_CRITERIA_EPS+cv2.TERM_CRITERIA_MAX_ITER：两者结合，满足任意一个结束。

attempts：重复试验kmeans算法次数，将会返回最好的一次结果

1．6 主要程序代码(要求必须有注释).

（1）纹理特征提取和进行图像分割

import cv2 as cv

import numpy as np

from matplotlib import pyplot as plt

plt.rcParams['font.sans-serif']=['SimHei']

# print_imshow用于输出标题、图片信息

def print_imshow(title,image):

    plt.title(title)

    plt.imshow(image)

    plt.colorbar()

    plt.show()

# 读取图片

image = cv.imread("pkpk.jpg")[:,:,[2,1,0]]

print_imshow("原始图像",image)

# 进行预处理操作

blur = cv.blur(image,(5,5))

blur0=cv.medianBlur(blur,5)

# 把BGR格式转为HSV格式

hsv = cv.cvtColor(blur0, cv.COLOR_BGR2HSV)

# 进行阈值分割，以确定需要提取的像素阈值

low_blue = np.array([55, 0, 0])

high_blue = np.array([118, 255, 255])

mask = cv.inRange(hsv, low_blue, high_blue)

print_imshow("mask",mask)

# 显示由Mask作为边界的图像

res = cv.bitwise_and(image,image, mask= mask)

print_imshow("res",res)

（2）使用K-means进行聚类

import cv2

import numpy as np

import matplotlib.pyplot as plt

#读取原始图像

image = cv2.imread('pkpk.jpg')

print(image.shape)

#图像二维像素转换为一维

data = image.reshape((-1,3))

data = np.float32(data)

#定义中心 (type,max_iter,epsilon)

criteria = (cv2.TERM_CRITERIA_EPS +

            cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)

#设置标签

flags = cv2.KMEANS_RANDOM_CENTERS

#K-Means聚类 聚集成2类

compactness, labels2, centers2 = cv2.kmeans(data, 2, None, criteria, 10, flags)

#K-Means聚类 聚集成4类

compactness, labels4, centers4 = cv2.kmeans(data, 4, None, criteria, 10, flags)

#K-Means聚类 聚集成8类

compactness, labels8, centers8 = cv2.kmeans(data, 8, None, criteria, 10, flags)

#K-Means聚类 聚集成16类

compactness, labels16, centers16 = cv2.kmeans(data, 16, None, criteria, 10, flags)

#K-Means聚类 聚集成64类

compactness, labels64, centers64 = cv2.kmeans(data, 64, None, criteria, 10, flags)

#图像转换回uint8二维类型

centers2 = np.uint8(centers2)

res = centers2[labels2.flatten()]

dst2 = res.reshape((image.shape))

centers4 = np.uint8(centers4)

res = centers4[labels4.flatten()]

dst4 = res.reshape((image.shape))

centers8 = np.uint8(centers8)

res = centers8[labels8.flatten()]

dst8 = res.reshape((image.shape))

centers16 = np.uint8(centers16)

res = centers16[labels16.flatten()]

dst16 = res.reshape((image.shape))

centers64 = np.uint8(centers64)

res = centers64[labels64.flatten()]

dst64 = res.reshape((image.shape))

#图像转换为RGB显示

img = cv2.cvtColor(image, cv2.COLOR_BGR2RGB)

dst2 = cv2.cvtColor(dst2, cv2.COLOR_BGR2RGB)

dst4 = cv2.cvtColor(dst4, cv2.COLOR_BGR2RGB)

dst8 = cv2.cvtColor(dst8, cv2.COLOR_BGR2RGB)

dst16 = cv2.cvtColor(dst16, cv2.COLOR_BGR2RGB)

dst64 = cv2.cvtColor(dst64, cv2.COLOR_BGR2RGB)

#用来正常显示中文标签

plt.rcParams['font.sans-serif']=['SimHei']

#显示图像

titles = [u'原始图像', u'聚类图像 K=2', u'聚类图像 K=4',

          u'聚类图像 K=8', u'聚类图像 K=16',  u'聚类图像 K=64']

images = [img, dst2, dst4, dst8, dst16, dst64]

for i in range(6):

   plt.subplot(2,3,i+1), plt.imshow(images[i], 'gray'),

   plt.title(titles[i])

   plt.xticks([]),plt.yticks([])

plt.show()

（3）mean shift

import cv2

import numpy as np

def generate(filename,mode,sp,sr,postfix):

    return filename+"_"+mode+"_"+str(sp)+"_"+str(sr)+postfix

def fill_image(image):

    copyImage = image.copy()               # 复制原图像

    h, w = image.shape[:2]                 # 读取图像的宽和高

    mask = np.zeros([h+2, w+2], np.uint8)  # 新建图像矩阵  +2是官方函数要求

    # image 输出

    # mask 每当一个原始图上一个点位（x，y）被填充之后，该点位置对应的mask上的点（x+1，y+1）的灰度值随机被设置为1（原本该点的灰度值为0），代表该点已经被填充处理过。

    # seedPoint 漫水填充的起始种子点

    # newVal 被填充的色彩值

    # loDiff 定义跟种子点相比色彩的下限值和上限值，介于种子点减去loDiff和种子点加上upDiff的值会被填充为跟种子点同样的颜色。

    # 定义漫水填充的模式，用于连通性、扩展方向等的定义

    cv2.floodFill(copyImage, mask, (0, 80), (0, 100, 255), (100, 100, 50), (50, 50, 50), cv2.FLOODFILL_FIXED_RANGE)

    return copyImage

filename = 'pkpk'

postfix = ".jpg"

sp = 10

sr = 255

src = cv2.imread(filename+postfix)

# src：待分割的输入图像，必须是三通道CU_8U的彩色图像

# dst：分割后的输出图像，与输入图像具有相同的尺寸和数据类型

# sp：滑动窗口的半径

# sr：滑动窗口颜色幅度

# maxLevel：分割金字塔缩放层数

# termcrit：迭代算法终止条件。

dst = cv2.pyrMeanShiftFiltering(src, sp, sr, None, 2)

cv2.imwrite(generate(filename,"tmp",sp,sr,postfix),dst)

cv2.imwrite(generate(filename,"fill",sp,sr,postfix),fill_image(dst))

（4）通过graph partition图分割的方式进行图像分割

import numpy as np

import cv2 as cv

from matplotlib import pyplot as plt

# 读取图像

img = cv.imread('pkpk.jpg')

plt.imshow(img[:,:,[2,1,0]]),plt.colorbar(),plt.show()

# 创建一个掩膜（与图像同大小）

mask = np.zeros(img.shape[:2],np.uint8)

# 创建以0填充的前景和背景模型

bgdModel = np.zeros((1,65),np.float64)

fgdModel = np.zeros((1,65),np.float64)

# 划定一个区域，

rect = (150,150,370,400)

# 执行图分割

cv.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv.GC_INIT_WITH_RECT)

mask2 = np.where((mask==2)|(mask==0),0,1).astype('uint8')

img = img*mask2[:,:,np.newaxis]

plt.imshow(img[:,:,[2,1,0]]),plt.colorbar(),plt.show()

1．7 运行结果及分析

（1）

（2）使用K-means聚类

上图是像素值结合k-means聚类的效果图