图像分割 - 区域生长

目录

1. 介绍

2. 代码详解

3. 代码

---

1. 介绍

分割的目的是将图像分为多个区域

常用的分割方法基于两个属性：不同区域间的灰度不连续性质（Canny边缘检测等等）、相同区域灰度的相似特征（阈值处理、区域生长等等）

区域生长就是基于同一区域的灰度相似特性展开的，通过预先设定的生长准则，将像素种子生长到更大区域的过程。基本的方法是，对于一组预设的点（这里称为种子），通过和其周围邻域灰度值比较，满足相同特性的（灰度值差异较小）像素点添加到新的种子，进而增长区域

区域生长的步骤为：

1. 先定义一组种子

2. 找到每一个种子的八邻域，判断它们的灰度值是否相似，相似的区域也划为新的种子

3. 循环这个过程，直到种子全部遍历完

2. 代码详解

这里不同的地方在于传入的种子是一副图像。

例如将原图进行二值化处理，然后找到这二值化的图像传入seeds里面，通过np.where(seeds > 0) 来找到具体的种子点，然后保存在seed_list里面。这里的种子列表应该是一组这样 [x,y] 的点

 

循环停止的条件是种子列表里面没有种子。

将每一个种子取出，然后将对应的位置作为区域分割的结果 dst[x,y] = 255 。

根据之前定义的connects 周围8个点的相对位置偏差，找到周围的 8邻域

 

如果 8邻域不在图像上的话，就跳过这次判断

如果在图像上的话，判断是否满足灰度值相似的条件，并且这里要判断这个区域是否已经处理过，要不然会进入死循环

想象一下，相邻的两个点AB，在A是种子的时候，B作为A的邻域满足相似性，所以B为储存到种子列表。判断B的时候，A作为B的邻域，也会被储存到种子列表。那么这里就会出现死循环

但是，如果A已经被处理过了，dst 对应的A点已经是区域生长的区域的话。那么A作为B邻域的时候，A就不会作为新的种子了

如果都满足的话，保存到种子列表里面

 

3. 代码

import cv2
import numpy as np


# 区域生长算法
def regional_growth(image, seeds, thresh=5):            # 这里的seeds是一副图像
    height, weight = image.shape[0], image.shape[1]     # 图像的 height和 width
    dst= np.zeros(image.shape, dtype=np.uint8)          # 处理的结果
    seed_list = []                                      # 种子列表

    x,y = np.where(seeds > 0)                           # 找到种子seeds里面的种子
    for i in range(len(x)):
        seed_list.append((x[i],y[i]))

    connects = [(-1, -1), (0, -1), (1, -1), (1, 0), (1, 1), (0, 1), (-1, 1), (-1, 0)]  # 8 邻域

    while len(seed_list) > 0:                           # 判断种子受否剩余

        point = seed_list.pop(0)                        # 取出第一个
        x, y = point[0],point[1]
        dst[x, y] = 255                                 # 将对应位置的点标记为 255

        for i in range(8):                              # 对种子周围的 8个点一次进行相似性判断
            connects_tmp = connects[i]                      # 8 邻域
            x_tmp= x+ connects_tmp[0]
            y_tmp= y+ connects_tmp[1]

            if (x_tmp < 0) or (y_tmp < 0) or (x_tmp >= height) or (y_tmp >= weight):  # 是否超出限定阈值
                continue

            gray_diff = np.abs(int(image[x, y]) - int(image[x_tmp, y_tmp]))     # 判断相似性

            if (gray_diff <= thresh) and (dst[x_tmp, y_tmp] == 0):              # 相似的话储存为新的种子
                dst[x_tmp,y_tmp] = 255
                seed_list.append((x_tmp,y_tmp))
    return dst


# 区域生长 主程序
img = cv2.imread("./img.tif", flags=0)

_, img_bin = cv2.threshold(img, 254, 255, cv2.THRESH_BINARY)  # 阈值处理产生种子区域
dst = regional_growth(img, img_bin)
cv2.imshow('img', np.hstack((img,dst)))

cv2.waitKey()
cv2.destroyAllWindows()

处理结果：

这里阈值产生的种子图像为：