图像分割python_python 图像分割

-

计算机视觉第9章实验-图像分割

图像分割

图像分割是指根据灰度、颜色、纹理、形状等特征，将图像分成若干个不重叠的区域，并使得这些特征在同一区域内显得相似，而不同区域之间显得有明显的差异。

基于图切割的分割

这类方法把图像分割问题和图的最小割问题联系起来，首先将图像映射到一个带权无向图G=，其中每个节点N∈V对应图像中每个像素，每条边∈E连接一对相邻像素，边的权重表示相邻像素之间在灰度、颜色或纹理方面的非负相似性。图像的一个分割区域s是图的一个割点，每个分割区域C∈S对应图中的一个子图。分割的最优原则是最大化划分后的子图内相似性、最小化子图间相似性。基于图论的分割方法的本质是通过去除特定的边，将图划分为若干个子图实现分割，目前已知的基于图论的方法包括，以及Walk等。

今天我们将用这个方法来做两个简单的例子

例子

我先附上实现代码

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)

下面是一个使用-graph工具包计算小图的最大流/最小割的简单例子。

这段代码中，我们先创建一个有 4 个节点的有向图，节点索引分别为 0、1、2、3，然后使用 () 增加每条边的权重，权重用来衡量边的最大流容量，以节点 0 为源，节点 3 为汇，计算最大流。

上图所示的两行数字包含流经过的每条边和每个节点的标签；0 表示图中包含源节点的部分，1 表示连接到接收器节点的节点。

# -*- 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()

我们使用()函数将图像缩小到足够小以适合我们的-graph库。在此代码中，我们均匀地将图像缩小到原始图像大小的7％。在对图像进行分割后，将结果与训练区域一起绘制。

图上的朴素贝叶斯分类器模型

本代码中使用的分割函数是 .(im, , kappa=1)，它根据一幅图像中像素的四个邻域，前景和背景，构建一个图，这四个邻域由我们确定，并通过朴素贝叶斯分类器建模。这个函数中还有一个参数 kappa，它决定了相邻像素之间的相对权重。改变 k 值分割效果，随着 k 值的增加，分割边界会变得越来越平滑，一些细节会逐渐丢失。

这里我将 kappa 设置为 1 和 1.5，得到以下结果。图 1 显示 kappa 为 1，图 2 显示 kappa 为 1.5

94