- 图像分割之图割法
一、图像分割之 图割法
- 基于图论的图像分割技术的基本思想是：将图像映射为带权的无向图，把像素视为节点，两个节点之间的边的权重对应于两个像素之间相似性的度量，割的容量就对应于能量函数；使用最大流最小割算法对图进行切割，得到的最小割就对应于最优图像分割。
二、图割分割算法 GrabCut
-
GrabCut 算法是对 GraphCut 的改进，使用高斯混合模型（GMM）对背景和目标建立模型，采用迭代方法实现分割能量的最小化，同时支持不完整的标记。
-
GrabCut 算法有效利用了图像中的纹理（颜色）信息和边界（反差）信息，只需要要少量的人工交互操作就可以对目标实现较好的分割效果。
三、函数
- OpenCV 也提供了函数 cv.grabCut 实现 GrabCut 图割算法。
cv.grabCut(img, mask, rect, bgdModel, fgdModel, iterCount[, mode=GC_EVAL]) → mask, bgdModel, fgdModel
参数说明：
- image：输入图像，8-bit/3-channel 彩色图像
- mask：输入/输出掩模，8-bit 单通道图像，如边界框选则自动产生掩模图像
- rect：包含分割对象的边框矩形，格式为 (x,y,w,h)，仅在 mode 为 cv2.GC_INIT_WITH_MASK 时适用
- bgdModel：建模背景使用的临时数组，形状为 (1,65) 的 np.float 数组
- fgdModel：建模前景时使用的临时数组，形状为 (1,65) 的 np.float 数组
- iterCount：迭代次数
- mode：操作模式
cv.GC_INIT_WITH_RECT：使用边界矩形初始化状态和掩模图像，运行迭代算法
cv.GC_INIT_WITH_MASK：使用提供的掩模图像进行状态初始化
cv.GC_EVAL：表示算法应该恢复
cv.GC_EVAL_FREEZE_MODEL：用固定模型执行一次迭代算法
OpenCV 的 GrabCut 返回一个3元组 (mask, bgdModel, fgdModel)
- mask： 应用GrabCut后的输出掩模
- bgModel： 用于建模背景的临时数组(可以忽略此值)
- fgModel： 用于建模前景的临时数组(同样，你可以忽略此值)
注意事项：
- OpenCV 的 GrabCut 返回元组 (mask, bgdModel, fgdModel)，mask 是应用 GrabCut 算法后的输出掩模。
- 迭代次数越多，GrabCut 运行的时间越长，理想情况下的性能会更好。
- cv.GC_INIT_WITH_RECT 和 cv.GC_INIT_WITH_MASK 可以组合使用。
四、例程
- 11.36： GrabCut 图割分割算法（掩模图像）
例程11.34 通过手动设置边界框对 GrabCut 算法进行初始化，我们也可以使用掩模图像进行初始化。掩模图像提供了图像中物体的近似分割，GrabCut 算法可以迭代地应用图割对分割结果进行改进，从图像中提取前景。
如何生成掩模图像与 GrabCut 算法无关，掩模图像也并不需要很精确。掩模图像可以通过 Photoshop 等编辑软件手动创建，也可以应用阈值分割、边缘检测、轮廓滤波等方法获取，还可以利用深度学习方法获得。
# Copyright 2022 Youcans, XUPT
# Crated：2021-12-27
# 11.36 GrabCut 图割分割算法（掩模图像）
image = cv2.imread("../images/imgDeer.png", flags=1) # 读取彩色图像(BGR)
maskImg = cv2.imread("../images/imgDeerMask.png", flags=0) # 读取掩模图像(xupt)
# 生成掩模图像 mask，大于 0 的像素设为可能前景
mask = np.zeros(image.shape[:2], dtype="uint8")
mask[maskImg > 0] = cv2.GC_PR_FGD
mask[maskImg == 0] = cv2.GC_BGD
# print(mask.shape, maskInv.shape)
# apply GrabCut using the the mask segmentation method
fgModel = np.zeros((1, 65), dtype="float") # 前景模型, 13*5
bgModel = np.zeros((1, 65), dtype="float") # 背景模型, 13*5
iter = 5
(mask, bgModel, fgModel) = cv2.grabCut(image, mask, None, bgModel, fgModel, iter,
mode=cv2.GC_INIT_WITH_MASK) # 基于掩模图像初始化
# 将所有确定背景和可能背景像素设置为 0，而确定前景和可能前景像素设置为 1
maskOutput = np.where((mask == cv2.GC_BGD) | (mask == cv2.GC_PR_BGD), 0, 1)
maskGrabCut = 255 - (maskOutput * 255).astype("uint8")
imgGrabCut = cv2.bitwise_and(image, image, mask=maskGrabCut)
plt.figure(figsize=(10, 6))
plt.subplot(231), plt.axis('off'), plt.title("Origin image")
plt.imshow(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)) # 显示 img(RGB)
plt.subplot(232), plt.axis('off'), plt.title("Mask image")
plt.imshow(maskImg, 'gray') # definite background
plt.subplot(233), plt.axis('off'), plt.title("GrabCut mask")
plt.imshow(mask, 'gray')
plt.subplot(234), plt.axis('off'), plt.title("Mask for definite background")
maskBGD = (mask == cv2.GC_BGD).astype("uint8") * 255
plt.imshow(maskBGD, 'gray') # definite background
plt.subplot(235), plt.axis('off'), plt.title("Mask for probable background")
maskPBGD = (mask == cv2.GC_PR_BGD).astype("uint8") * 255
plt.imshow(maskPBGD, 'gray') # probable background
# plt.subplot(235), plt.axis('off'), plt.title("GrabCut Mask")
# plt.imshow(maskGrabCut, 'gray') # mask generated by GrabCut
plt.subplot(236), plt.axis('off'), plt.title("Youcans Output")
plt.imshow(cv2.cvtColor(imgGrabCut, cv2.COLOR_BGR2RGB)) # GrabCut Output
plt.tight_layout()
plt.show()
五、资料
youcans_的博客：
https://blog.csdn.net/youcans/article/details/124744517
网友评论