分割是影像分析中的基本技術(shù)，它允許我們根據(jù)物件、形狀或顏色將影像劃分為有意義的部分。它在物體檢測(cè)、電腦視覺甚至藝術(shù)圖像處理等應(yīng)用中發(fā)揮關(guān)鍵作用。但如何才能有效實(shí)現(xiàn)細(xì)分呢？幸運(yùn)的是，OpenCV (cv2) 提供了幾種用戶友好且強(qiáng)大的分割方法。

在本教學(xué)中，我們將探討三種流行的分割技術(shù)：

• Canny 邊緣偵測(cè) – 非常適合勾畫物體輪廓。
• 分水嶺演算法 – 非常適合分離重疊區(qū)域。
• K-Means 顏色分割 – 非常適合將影像中的相似顏色進(jìn)行聚類。

為了使本教程引人入勝且實(shí)用，我們將使用來自日本大阪的衛(wèi)星和航空?qǐng)D像，重點(diǎn)關(guān)注古代古墳。您可以從教學(xué)的 GitHub 頁面下載這些圖像和相應(yīng)的範(fàn)例筆記本。

Canny 邊緣偵測(cè)到輪廓分割

Canny 邊緣偵測(cè)是一種簡(jiǎn)單且強(qiáng)大的方法來辨識(shí)影像中的邊緣。它的工作原理是檢測(cè)強(qiáng)度快速變化的區(qū)域，這些區(qū)域通常是物體的邊界。該技術(shù)透過應(yīng)用強(qiáng)度閾值來產(chǎn)生“薄邊緣”輪廓。讓我們深入了解它使用 OpenCV 的實(shí)作。

範(fàn)例：偵測(cè)衛(wèi)星影像中的邊緣
在這裡，我們使用大阪的衛(wèi)星圖像，特別是古墳，作為測(cè)試案例。

import cv2 
import numpy as np
import matplotlib.pyplot as plt
files = sorted(glob("SAT*.png")) #Get png files 
print(len(files))
img=cv2.imread(files[0])
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)

#Stadard values 
min_val = 100
max_val = 200
# Apply Canny Edge Detection
edges = cv2.Canny(gray, min_val, max_val)
#edges = cv2.Canny(gray, min_val, max_val,apertureSize=5,L2gradient = True )
False
# Show the result
plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(cv2.cvtColor(use_image, cv2.COLOR_BGR2RGB))
plt.title('Original Image'), plt.axis('off')
plt.subplot(132), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image'), plt.axis('off')
plt.subplot(133), plt.imshow(edges, cmap='gray')
plt.title('Canny Edges'), plt.axis('off')
plt.show()

輸出邊緣清晰地勾勒出古墳和其他感興趣區(qū)域的部分輪廓。然而，由於閾值過大，一些區(qū)域被遺漏了。結(jié)果在很大程度上取決於 min_val 和 max_val 的選擇以及影像品質(zhì)。

為了增強(qiáng)邊緣偵測(cè)，我們可以對(duì)影像進(jìn)行預(yù)處理以分散像素強(qiáng)度並減少雜訊。這可以使用直方圖均衡 (cv2.equalizeHist()) 和高斯模糊 (cv2.GaussianBlur()) 來實(shí)現(xiàn)。

use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
gray_og = gray.copy()
gray = cv2.equalizeHist(gray)
gray = cv2.GaussianBlur(gray, (9, 9),1)

plt.figure(figsize=(15, 5))
plt.subplot(121), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.subplot(122)
_= plt.hist(gray.ravel(), 256, [0,256],label="Equalized") 
_ = plt.hist(gray_og.ravel(), 256, [0,256],label="Original",histtype='step')
plt.legend()
plt.title('Grayscale Histogram')

這種預(yù)處理可以均勻強(qiáng)度分佈並平滑影像，這有助於 Canny 邊緣偵測(cè)演算法捕捉更有意義的邊緣。

邊緣很有用，但它們僅表示邊界。為了分割封閉區(qū)域，我們將邊緣轉(zhuǎn)換為輪廓並視覺化它們。

# Edges to contours 
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# Calculate contour areas
areas = [cv2.contourArea(contour) for contour in contours]

# Normalize areas for the colormap
normalized_areas = np.array(areas)
if normalized_areas.max() > 0:
    normalized_areas = normalized_areas / normalized_areas.max()

# Create a colormap
cmap = plt.cm.jet

# Plot the contours with the color map
plt.figure(figsize=(10, 10))
plt.subplot(1,2,1)
plt.imshow(gray, cmap='gray', alpha=0.5)  # Display the grayscale image in the background
mask = np.zeros_like(use_image)
for contour, norm_area in zip(contours, normalized_areas):
    color = cmap(norm_area)  # Map the normalized area to a color
    color = [int(c*255) for c in color[:3]]
    cv2.drawContours(mask, [contour], -1, color,-1 )  # Draw contours on the image

plt.subplot(1,2,2)

上述方法以代表其相對(duì)區(qū)域的顏色突出顯示檢測(cè)到的輪廓。這種視覺化有助於驗(yàn)證輪廓是否形成封閉體或僅形成線條。然而，在此範(fàn)例中，許多輪廓仍然是未閉合的多邊形。進(jìn)一步的預(yù)處理或參數(shù)調(diào)整可以解決這些限制。

透過結(jié)合預(yù)處理和輪廓分析，Canny 邊緣偵測(cè)成為辨識(shí)影像中物件邊界的強(qiáng)大工具。然而，當(dāng)物件定義明確且噪音最小時(shí)，它的效果最佳。接下來，我們將探索 K 均值聚類以按顏色分割影像，從而為相同資料提供不同的視角。

K均值聚類

K-Means 聚類是資料科學(xué)中一種流行的方法，用於將相似的項(xiàng)目分組為聚類，並且它對(duì)於基於顏色相似性的圖像分割特別有效。 OpenCV 的 cv2.kmeans 函數(shù)簡(jiǎn)化了此過程，使其可以執(zhí)行物件分割、背景移除或視覺分析等任務(wù)。

在本節(jié)中，我們將使用 K 均值聚類將古墳?zāi)褂跋穹指顬橄嗨祁伾膮^(qū)域。

首先，我們對(duì)影像的 RGB 值套用 K 均值聚類，將每個(gè)像素視為一個(gè)資料點(diǎn)。

import cv2 
import numpy as np
import matplotlib.pyplot as plt
files = sorted(glob("SAT*.png")) #Get png files 
print(len(files))
img=cv2.imread(files[0])
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)

#Stadard values 
min_val = 100
max_val = 200
# Apply Canny Edge Detection
edges = cv2.Canny(gray, min_val, max_val)
#edges = cv2.Canny(gray, min_val, max_val,apertureSize=5,L2gradient = True )
False
# Show the result
plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(cv2.cvtColor(use_image, cv2.COLOR_BGR2RGB))
plt.title('Original Image'), plt.axis('off')
plt.subplot(132), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image'), plt.axis('off')
plt.subplot(133), plt.imshow(edges, cmap='gray')
plt.title('Canny Edges'), plt.axis('off')
plt.show()

在分割影像中，古墳和周圍區(qū)域聚集成不同的顏色。然而，噪音和顏色的微小變化會(huì)導(dǎo)致簇分散，這會(huì)為解釋帶來挑戰(zhàn)。

為了減少噪音並創(chuàng)建更平滑的聚類，我們可以在運(yùn)行 K-Means 之前應(yīng)用中位數(shù)模糊。

use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
gray_og = gray.copy()
gray = cv2.equalizeHist(gray)
gray = cv2.GaussianBlur(gray, (9, 9),1)

plt.figure(figsize=(15, 5))
plt.subplot(121), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.subplot(122)
_= plt.hist(gray.ravel(), 256, [0,256],label="Equalized") 
_ = plt.hist(gray_og.ravel(), 256, [0,256],label="Original",histtype='step')
plt.legend()
plt.title('Grayscale Histogram')

模糊的影像會(huì)產(chǎn)生更平滑的簇，減少噪音並使分割區(qū)域在視覺上更具凝聚力。

為了更好地理解分割結(jié)果，我們可以使用 matplotlib plt.fill_ Between;
建立獨(dú)特簇顏色的顏色圖

# Edges to contours 
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# Calculate contour areas
areas = [cv2.contourArea(contour) for contour in contours]

# Normalize areas for the colormap
normalized_areas = np.array(areas)
if normalized_areas.max() > 0:
    normalized_areas = normalized_areas / normalized_areas.max()

# Create a colormap
cmap = plt.cm.jet

# Plot the contours with the color map
plt.figure(figsize=(10, 10))
plt.subplot(1,2,1)
plt.imshow(gray, cmap='gray', alpha=0.5)  # Display the grayscale image in the background
mask = np.zeros_like(use_image)
for contour, norm_area in zip(contours, normalized_areas):
    color = cmap(norm_area)  # Map the normalized area to a color
    color = [int(c*255) for c in color[:3]]
    cv2.drawContours(mask, [contour], -1, color,-1 )  # Draw contours on the image

plt.subplot(1,2,2)

這種視覺化可以深入了解影像中的主色及其對(duì)應(yīng)的 RGB 值，這對(duì)於進(jìn)一步分析非常有用。因?yàn)槲覀儸F(xiàn)在可以屏蔽並選擇我的顏色代碼區(qū)域。

簇的數(shù)量 (K) 顯著影響結(jié)果。增加 K 會(huì)創(chuàng)建更詳細(xì)的細(xì)分，而較低的值會(huì)產(chǎn)生更廣泛的分組。為了進(jìn)行實(shí)驗(yàn)，我們可以迭代多個(gè) K 值。

import cv2 
import numpy as np
import matplotlib.pyplot as plt
files = sorted(glob("SAT*.png")) #Get png files 
print(len(files))
img=cv2.imread(files[0])
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)

#Stadard values 
min_val = 100
max_val = 200
# Apply Canny Edge Detection
edges = cv2.Canny(gray, min_val, max_val)
#edges = cv2.Canny(gray, min_val, max_val,apertureSize=5,L2gradient = True )
False
# Show the result
plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(cv2.cvtColor(use_image, cv2.COLOR_BGR2RGB))
plt.title('Original Image'), plt.axis('off')
plt.subplot(132), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image'), plt.axis('off')
plt.subplot(133), plt.imshow(edges, cmap='gray')
plt.title('Canny Edges'), plt.axis('off')
plt.show()

不同 K 值的聚類結(jié)果揭示了細(xì)節(jié)和簡(jiǎn)單性之間的權(quán)衡：

?較低的 K 值（例如 2-3）：聚類範(fàn)圍廣泛，區(qū)分清晰，適合高階分割。
?較高的 K 值（例如 12-15）：更詳細(xì)的分割，但代價(jià)是增加複雜性和潛在的過度分割。

K-Means 聚類是一種基於色彩相似性分割影像的強(qiáng)大技術(shù)。透過正確的預(yù)處理步驟，它可以產(chǎn)生清晰且有意義的區(qū)域。然而，其性能取決於 K 的選擇、輸入影像的品質(zhì)以及所應(yīng)用的預(yù)處理。接下來，我們將探索分水嶺演算法，該演算法利用地形特徵來實(shí)現(xiàn)物件和區(qū)域的精確分割。

分水嶺分割

分水嶺演算法的靈感來自地形圖，其中分水嶺劃分流域。此方法將灰階強(qiáng)度值視為高程，有效地創(chuàng)建“峰”和“谷”。透過識(shí)別感興趣區(qū)域，該演算法可以分割具有精確邊界的物件。它對(duì)於分離重疊物件特別有用，使其成為細(xì)胞分割、物件偵測(cè)和區(qū)分密集特徵等複雜場(chǎng)景的絕佳選擇。

第一步是預(yù)處理影像以增強(qiáng)特徵，然後應(yīng)用分水嶺演算法。

use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
gray_og = gray.copy()
gray = cv2.equalizeHist(gray)
gray = cv2.GaussianBlur(gray, (9, 9),1)

plt.figure(figsize=(15, 5))
plt.subplot(121), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.subplot(122)
_= plt.hist(gray.ravel(), 256, [0,256],label="Equalized") 
_ = plt.hist(gray_og.ravel(), 256, [0,256],label="Original",histtype='step')
plt.legend()
plt.title('Grayscale Histogram')

分段區(qū)域和邊界可以與中間處理步驟一起視覺化。

# Edges to contours 
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# Calculate contour areas
areas = [cv2.contourArea(contour) for contour in contours]

# Normalize areas for the colormap
normalized_areas = np.array(areas)
if normalized_areas.max() > 0:
    normalized_areas = normalized_areas / normalized_areas.max()

# Create a colormap
cmap = plt.cm.jet

# Plot the contours with the color map
plt.figure(figsize=(10, 10))
plt.subplot(1,2,1)
plt.imshow(gray, cmap='gray', alpha=0.5)  # Display the grayscale image in the background
mask = np.zeros_like(use_image)
for contour, norm_area in zip(contours, normalized_areas):
    color = cmap(norm_area)  # Map the normalized area to a color
    color = [int(c*255) for c in color[:3]]
    cv2.drawContours(mask, [contour], -1, color,-1 )  # Draw contours on the image

plt.subplot(1,2,2)

演算法成功辨識(shí)不同的區(qū)域並在物件周圍繪製清晰的邊界。在本例中，古墳被精確分割。然而，此演算法的性能在很大程度上取決於閾值處理、噪音去除和形態(tài)學(xué)操作等預(yù)處理步驟。

加入進(jìn)階預(yù)處理，例如直方圖均衡或自適應(yīng)模糊，可以進(jìn)一步增強(qiáng)結(jié)果。例如：

# Kmean color segmentation
use_image= img[0:600,700:1300]
#use_image = cv2.medianBlur(use_image, 15)


 # Reshape image for k-means
pixel_values = use_image.reshape((-1, 3)) if len(use_image.shape) == 3 else use_image.reshape((-1, 1))
pixel_values = np.float32(pixel_values)

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 3
attempts=10
ret,label,center=cv2.kmeans(pixel_values,K,None,criteria,attempts,cv2.KMEANS_PP_CENTERS)

centers = np.uint8(center)
segmented_data = centers[label.flatten()]
segmented_image = segmented_data.reshape(use_image.shape)

plt.figure(figsize=(10, 6))
plt.subplot(1,2,1),plt.imshow(use_image[:,:,::-1])
plt.title("RGB View")
plt.subplot(1,2,2),plt.imshow(segmented_image[:,:,[2,1,0]])
plt.title(f"Kmean Segmented Image K={K}")

透過這些調(diào)整，可以準(zhǔn)確分割更多區(qū)域，並最大限度地減少雜訊偽影。

分水嶺演算法在需要精確邊界劃分和重疊物件分離的場(chǎng)景中表現(xiàn)出色。透過利用預(yù)處理技術(shù)，它甚至可以有效地處理像古墳古墳區(qū)域這樣的複雜圖像。然而，它的成功取決於仔細(xì)的參數(shù)調(diào)整和預(yù)處理。

結(jié)論

分割是影像分析中的重要工具，提供了隔離和理解影像中不同元素的途徑。本教學(xué)展示了三種強(qiáng)大的分割技術(shù)：Canny 邊緣偵測(cè)、K 均值聚類和分水嶺演算法，每種技術(shù)都是針對(duì)特定應(yīng)用程式量身定制的。從勾勒出大阪古古墳的輪廓，到聚類城市景觀和劃分不同區(qū)域，這些方法凸顯了 OpenCV 在應(yīng)對(duì)現(xiàn)實(shí)世界挑戰(zhàn)方面的多功能性。

現(xiàn)在去將其中的一些方法應(yīng)用到您選擇的應(yīng)用程式中，並發(fā)表評(píng)論並分享結(jié)果。另外，如果您知道任何其他簡(jiǎn)單的分割方法，也請(qǐng)分享

以上是[Python-CV影像分割：Canny邊緣、分水嶺和K-Means方法的詳細(xì)內(nèi)容。更多資訊請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！