计算机视觉 - 图像分割

什么是图像分割?

图像分割是将图像分割成多个片段的过程，以使图像更易于分析。每个片段或区域通常对应不同的对象或对象的一部分。

通过分割图像，我们可以专注于特定区域，从而更容易识别和分析图像中的对象。

图像分割的重要性

图像分割对于计算机视觉中的各种应用都很重要，例如−

• 物体检测:识别和定位图像中的物体。
• 医学成像:分析医学图像以检测和诊断疾病。
• 自动驾驶:通过识别道路、车辆、行人等了解周围环境。
• 图像编辑:选择和操作图像的特定部分。

图像类型分割

图像分割有几种类型，它们是 −

• 阈值化
• 基于边缘的分割
• 基于区域的分割
• 基于聚类的分割
• 基于深度学习的分割

阈值化

阈值化是最简单的分割技术之一。它通过设置阈值将灰度图像转换为二值图像。

强度值高于阈值的像素被分配一个值(例如白色)，低于阈值的像素被分配另一个值(例如黑色)。

我们可以使用以下方式应用阈值 −

• 全局阈值:对整个图像使用单个阈值。

import cv2

# 以灰度加载图像
image = cv2.imread('image.jpg', cv2.IMREAD_GRAYSCALE)
_, binary_image = cv2.threshold(image, 127, 255, cv2.THRESH_BINARY)

• 自适应阈值:对图像的不同区域使用不同的阈值。

adaptive_binary_image = cv2.adaptiveThreshold(image, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

基于边缘的分割

基于边缘的分割检测图像中的边缘并使用它们来定义片段的边界。此方法依赖于检测强度值的显著变化。

常用的边缘检测方法是Canny 边缘检测器。它是一种多阶段算法，可检测各种边缘。

edges = cv2.Canny(image, 100, 200)

基于区域的分割

基于区域的分割根据预定义的标准(例如强度值或纹理)将像素分组到区域中。这个想法是将具有相似属性的相邻像素分组到同一区域中。

常见的基于区域的方法如下所示 −

• 区域增长:从种子点开始，通过添加符合特定条件的相邻像素来增长区域。
• 分水岭算法:将图像视为地形表面，并找到分水岭线来分割区域。

以下是如何应用基于区域的分割的示例 −

# 应用分水岭算法
import numpy as np

# 将图像转换为二进制
_, binary_image = cv2.threshold(image, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)
# 执行距离变换
distance_transform = cv2.distanceTransform(binary_image, cv2.DIST_L2, 5)
_, foreground = cv2.threshold(distance_transform, 0.7 * distance_transform.max(), 255, 0)
foreground = np.uint8(foreground)
unknown = cv2.subtract(binary_image, foreground)
# 标记标记
_, markers = cv2.connectedComponents(foreground)
markers = markers + 1
markers[unknown == 255] = 0
# 应用分水岭
markers = cv2.watershed(image, markers)
image[markers == -1] = [255, 0, 0]

基于聚类分割

基于聚类的分割根据像素的相似性将像素分组为簇。K 均值聚类是此类分割的常用方法。

以下是如何应用 K 均值聚类的示例 −

import numpy as np

# 将图像转换为 float32
image = np.float32(image)
# 定义标准并应用 K-means
criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
_, labels, centers = cv2.kmeans(image, 3, None,criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
# 转换回 uint8 并重塑图像
centers = np.uint8(centers)
segmented_image = centers[labels.flatten()]
segmented_image = divided_image.reshape((image.shape))

基于深度学习的分割

基于深度学习的分割使用卷积神经网络 (CNN) 来分割图像。这种方法非常准确，可以处理复杂的图像。

以下是常见的深度学习模型 −

• 全卷积网络 (FCN):用卷积层替换全连接层以生成分割图。
• U-Net:一种使用编码器-解码器架构的流行生物医学图像分割模型。

以下是如何应用基于深度学习的分割的示例 −

from keras.models import Model
from keras.layers import Input, Conv2D, MaxPooling2D, UpSampling2D, concatenate

inputs = Input((image_height, image_width, 1))
conv1 = Conv2D(64, 3, activation='relu', padding='same')(inputs)
pool1 = MaxPooling2D(pool_size=(2, 2))(conv1)
conv2 = Conv2D(128, 3, activation='relu', padding='same')(pool1)
up1 = concatenate([UpSampling2D(size=(2, 2))(conv2), conv1], axis=3)
conv3 = Conv2D(64, 3, activation='relu', padding='same')(up1)
outputs = Conv2D(1, 1, activation='sigmoid')(conv3)
model = Model(inputs=[inputs], outputs=[outputs])