计算机视觉学习图像分割

145 阅读 0 评论 96 点赞

我是靠谱客的博主魁梧缘分，这篇文章主要介绍计算机视觉学习图像分割，现在分享给大家，希望可以做个参考。

1.概述

图像分割是将一幅图像分割成有意义区域的过程。区域可以是图像的前景与背景或图像中一些单独的对象。这些区域可以利用一些诸如颜色、边界或近邻相似性等特征进行构建。本章中，我们将看到一些不同的分割技术。

2. GraphCut 图割

图（graph）是由若干节点（有时也称顶点）和连接节点的边构成的集合。如图，为用 python-graph 工具包创建的一个简单有向图。边可以是有向的（图 9-1 中用箭头示出）或无向的，并且这些可能有与它们相关联的权重。

在这里插入图片描述
*我们在图割例子中将采用 python-graph 工具包
图割图像分割的思想是用图来表示图像，并对图进行划分以使割代价 Ecut 最小。在用图表示图像时，增加两个额外的节点，即源点和汇点；并仅考虑那些将源点和汇点分开的割。图割 C（C 是图中所有边的集合）的“代价”函数定义为所有割的边的权重求合相加：在这里插入图片描述
w是图中节点 i 到节点 j 的边（i，j）的权重，并且是对割 C 所有的边进行求和。
python-graph 工具包计算一幅较小的图 1 的最大流 / 最小割的示例：

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
from pygraph.classes.digraph import digraph
from pygraph.algorithms.minmax import maximum_flow

gr = digraph()
gr.add_nodes([0,1,2,3])
gr.add_edge((0,1), wt=4)
gr.add_edge((1,2), wt=3)
gr.add_edge((2,3), wt=5)
gr.add_edge((0,2), wt=3)
gr.add_edge((1,3), wt=4)
flows,cuts = maximum_flow(gr, 0, 3)
print ('flow is:' , flows)
print ('cut is:' , cuts)

运算结果为
在这里插入图片描述

3.从图像创建图

给定一个邻域结构，我们可以利用图像像素作为节点定义一个图。一个四邻域（4-neighborhood）指一个像素与其正上方、正下方、左边、右边的像素直接相连 1。
除了像素节点外，我们还需要两个特定的节点——“源”点和“汇”点，来分别代表图像的前景和背景。利用一个简单的模型将所有像素与源点、汇点连接起来。
创建一个图的步骤：
每个像素节点都有一个从源点的传入边；
每个像素节点都有一个到汇点的传出边；
每个像素节点都有一条传入边和传出边连接到它的近邻。
代码示例
读取一幅图像，从图像的两个矩形区域估算出类概率，然后创建一个图

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
# -*- coding: utf-8 -*-

from scipy.misc import imresize
from PCV.tools import graphcut
from PIL import Image
from numpy import *
from pylab import *

im = array(Image.open("empire.jpg"))
im = imresize(im, 0.07)
size = im.shape[:2]
print ("OK!!")

# add two rectangular training regions
labels = zeros(size)
labels[3:18, 3:18] = -1
labels[-18:-3, -18:-3] = 1
print ("OK!!")


# create graph
g = graphcut.build_bayes_graph(im, labels, kappa=1)

# cut the graph
res = graphcut.cut_graph(g, size)
print ("OK!!")


figure()
graphcut.show_labeling(im, labels)

figure()
imshow(res)
gray()
axis('off')

show()

运行结果：
在这里插入图片描述
下面这个函数可以计算最小割并将输出结果重新格式化为一个带像素标记的二值图像：

复制代码

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
def create_msr_labels(m, lasso=False):
    """ Create label matrix for training from
    user annotations. """
    labels = zeros(im.shape[:2])
    # background
    labels[m == 0] = -1
    labels[m == 64] = -1
    # foreground
    if lasso:
        labels[m == 255] = 1
    else:
        labels[m == 128] = 1
    return labels

# load image and annotation map
im = array(Image.open('empire.jpg'))
m = array(Image.open('empire.bmp'))
# resize
scale = 0.1
im = imresize(im, scale, interp='bilinear')
m = imresize(m, scale, interp='nearest')
# create training labels
labels = create_msr_labels(m, False)
# build graph using annotations
g = graphcut.build_bayes_graph(im, labels, kappa=2)

# cut graph
res = graphcut.cut_graph(g, im.shape[:2])
# remove parts in background
res[m == 0] = 1
res[m == 64] = 1

# plot the result
figure()
imshow(res)
gray()
xticks([])
yticks([])
savefig('labelplot.pdf')