Python 디지털 영상처리 뼈대 추출 및 유역 알고리즘
- 不言원래의
- 2018-04-27 10:25:413694검색
이 글에서는 Python 디지털 영상 처리의 뼈대 추출과 유역 알고리즘을 주로 소개하고 참고 자료를 제공합니다. 함께 구경해보세요
뼈대 추출과 유역 알고리즘도 형태학 처리의 범주에 속하며 형태학 서브모듈에 들어있습니다.
1. 뼈대 추출
뼈대 추출, 이진 이미지 희석이라고도 합니다. 이 알고리즘은 특징 추출 및 대상 토폴로지 표현을 위해 연결된 영역을 1픽셀 너비로 세분화할 수 있습니다.
형태학 하위 모듈은 골격 추출을 위한 두 가지 함수, 즉 Skeletonize() 함수와 medial_axis() 함수를 제공합니다. 먼저 Skeletonize() 함수를 살펴보겠습니다.
형식은 skimage.morphology.skeletonize(image)
입력과 출력이 모두 바이너리 이미지입니다.
예제 1:
from skimage import morphology,draw import numpy as np import matplotlib.pyplot as plt #创建一个二值图像用于测试 image = np.zeros((400, 400)) #生成目标对象1(白色U型) image[10:-10, 10:100] = 1 image[-100:-10, 10:-10] = 1 image[10:-10, -100:-10] = 1 #生成目标对象2（X型） rs, cs = draw.line(250, 150, 10, 280) for i in range(10): image[rs + i, cs] = 1 rs, cs = draw.line(10, 150, 250, 280) for i in range(20): image[rs + i, cs] = 1 #生成目标对象3（O型） ir, ic = np.indices(image.shape) circle1 = (ic - 135)**2 + (ir - 150)**2 < 30**2 circle2 = (ic - 135)**2 + (ir - 150)**2 < 20**2 image[circle1] = 1 image[circle2] = 0 #实施骨架算法 skeleton =morphology.skeletonize(image) #显示结果 fig, (ax1, ax2) = plt.subplots(nrows=1, ncols=2, figsize=(8, 4)) ax1.imshow(image, cmap=plt.cm.gray) ax1.axis('off') ax1.set_title('original', fontsize=20) ax2.imshow(skeleton, cmap=plt.cm.gray) ax2.axis('off') ax2.set_title('skeleton', fontsize=20) fig.tight_layout() plt.show()
세 개의 대상 개체가 있는 테스트 이미지를 생성하고 각각 뼈대 추출을 수행합니다. 결과는 다음과 같습니다.
예제 2: 시스템 자체의 말 그림을 사용합니다. 뼈대 추출
from skimage import morphology,data,color import matplotlib.pyplot as plt image=color.rgb2gray(data.horse()) image=1-image #反相 #实施骨架算法 skeleton =morphology.skeletonize(image) #显示结果 fig, (ax1, ax2) = plt.subplots(nrows=1, ncols=2, figsize=(8, 4)) ax1.imshow(image, cmap=plt.cm.gray) ax1.axis('off') ax1.set_title('original', fontsize=20) ax2.imshow(skeleton, cmap=plt.cm.gray) ax2.axis('off') ax2.set_title('skeleton', fontsize=20) fig.tight_layout() plt.show()
medial_axis는 내측 축을 의미하며 전경(1개 값) 대상 개체의 너비를 계산하는 형식은
skimage.morphology.입니다. medial_axis( image,mask=None,return_distance=False)
마스크: 마스크. 기본값은 None입니다. 마스크가 주어지면 스켈레톤 알고리즘은 마스크 내의 픽셀 값에 대해서만 수행됩니다.
return_distance: bool 값, 기본값은 False입니다. True이면 스켈레톤 반환과 함께 거리 변환 값도 동시에 반환됩니다. 여기서 거리는 중심축의 모든 점과 배경점 사이의 거리를 의미합니다.
import numpy as np import scipy.ndimage as ndi from skimage import morphology import matplotlib.pyplot as plt #编写一个函数，生成测试图像 def microstructure(l=256): n = 5 x, y = np.ogrid[0:l, 0:l] mask = np.zeros((l, l)) generator = np.random.RandomState(1) points = l * generator.rand(2, n**2) mask[(points[0]).astype(np.int), (points[1]).astype(np.int)] = 1 mask = ndi.gaussian_filter(mask, sigma=l/(4.*n)) return mask > mask.mean() data = microstructure(l=64) #生成测试图像 #计算中轴和距离变换值 skel, distance =morphology.medial_axis(data, return_distance=True) #中轴上的点到背景像素点的距离 dist_on_skel = distance * skel fig, (ax1, ax2) = plt.subplots(1, 2, figsize=(8, 4)) ax1.imshow(data, cmap=plt.cm.gray, interpolation='nearest') #用光谱色显示中轴 ax2.imshow(dist_on_skel, cmap=plt.cm.spectral, interpolation='nearest') ax2.contour(data, [0.5], colors='w') #显示轮廓线 fig.tight_layout() plt.show()
2. 유역 알고리즘
유역은 지리상의 능선을 말하며, 물은 일반적으로 능선의 양쪽을 따라 서로 다른 "집수 유역"으로 흐릅니다. 워터셰드 알고리즘은 이미지 분할을 위한 고전적인 알고리즘이자 위상 이론에 기초한 수학적 형태학적 분할 방법입니다. 이미지의 대상 객체가 서로 연결되어 있으면 분할하기가 더 어려워집니다. 이러한 문제를 처리하기 위해 워터셰드 알고리즘이 자주 사용되며 일반적으로 더 나은 결과를 얻습니다.
유역 알고리즘을 거리 변환과 결합하여 "집수 유역"과 "유역 경계"를 찾아 이미지를 분할할 수 있습니다. 이진 이미지의 거리 변환은 각 픽셀에서 가장 가까운 0이 아닌 픽셀까지의 거리입니다. scipy 패키지를 사용하여 거리 변환을 계산할 수 있습니다.
아래 예에서는 두 개의 겹치는 원을 분리해야 합니다. 먼저 원의 흰색 픽셀에서 검은색 배경 픽셀까지의 거리 변환을 계산하고, 이 마커에서 시작하여 거리 변환의 최대값을 초기 마커 지점으로 선택합니다(반전된 색상인 경우 최소값을 취함). 포인트 두 유역은 점점 커지다가 마침내 산 능선에서 교차합니다. 산 능선에서 연결이 끊어지면 두 개의 별도 원이 나타납니다.
예 1: 거리 변환을 기반으로 한 산 능선 이미지 분할
import numpy as np
import matplotlib.pyplot as plt
from scipy import ndimage as ndi
from skimage import morphology,feature
#创建两个带有重叠圆的图像
x, y = np.indices((80, 80))
x1, y1, x2, y2 = 28, 28, 44, 52
r1, r2 = 16, 20
mask_circle1 = (x - x1)**2 + (y - y1)**2 < r1**2
mask_circle2 = (x - x2)**2 + (y - y2)**2 < r2**2
image = np.logical_or(mask_circle1, mask_circle2)
#现在我们用分水岭算法分离两个圆
distance = ndi.distance_transform_edt(image) #距离变换
local_maxi =feature.peak_local_max(distance, indices=False, footprint=np.ones((3, 3)),
labels=image) #寻找峰值
markers = ndi.label(local_maxi)[0] #初始标记点
labels =morphology.watershed(-distance, markers, mask=image) #基于距离变换的分水岭算法
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(8, 8))
axes = axes.ravel()
ax0, ax1, ax2, ax3 = axes
ax0.imshow(image, cmap=plt.cm.gray, interpolation='nearest')
ax0.set_title("Original")
ax1.imshow(-distance, cmap=plt.cm.jet, interpolation='nearest')
ax1.set_title("Distance")
ax2.imshow(markers, cmap=plt.cm.spectral, interpolation='nearest')
ax2.set_title("Markers")
ax3.imshow(labels, cmap=plt.cm.spectral, interpolation='nearest')
ax3.set_title("Segmented")
for ax in axes:
ax.axis('off')
fig.tight_layout()
plt.show()
유역 알고리즘을 그라디언트와 결합하여 이미지 분할을 달성할 수도 있습니다. 일반적으로 그라데이션 이미지는 가장자리에서 더 높은 픽셀 값을 갖고 다른 곳에서는 더 낮은 픽셀 값을 갖는 것이 이상적입니다. 따라서 기울기를 기반으로 능선을 찾을 수 있습니다.
예 2: 그라데이션 기반 유역 이미지 분할
import matplotlib.pyplot as plt
from scipy import ndimage as ndi
from skimage import morphology,color,data,filter
image =color.rgb2gray(data.camera())
denoised = filter.rank.median(image, morphology.disk(2)) #过滤噪声
#将梯度值低于10的作为开始标记点
markers = filter.rank.gradient(denoised, morphology.disk(5)) <10
markers = ndi.label(markers)[0]
gradient = filter.rank.gradient(denoised, morphology.disk(2)) #计算梯度
labels =morphology.watershed(gradient, markers, mask=image) #基于梯度的分水岭算法
fig, axes = plt.subplots(nrows=2, ncols=2, figsize=(6, 6))
axes = axes.ravel()
ax0, ax1, ax2, ax3 = axes
ax0.imshow(image, cmap=plt.cm.gray, interpolation='nearest')
ax0.set_title("Original")
ax1.imshow(gradient, cmap=plt.cm.spectral, interpolation='nearest')
ax1.set_title("Gradient")
ax2.imshow(markers, cmap=plt.cm.spectral, interpolation='nearest')
ax2.set_title("Markers")
ax3.imshow(labels, cmap=plt.cm.spectral, interpolation='nearest')
ax3.set_title("Segmented")
for ax in axes:
ax.axis('off')
fig.tight_layout()
plt.show()
관련 권장 사항:
위 내용은 Python 디지털 영상처리 뼈대 추출 및 유역 알고리즘의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!