使用分水岭和GrabCut算法进行物体分割
用GrabCut算法进行图像分割
在OpenCV中,实现了grabcut分割算法,该算法可以方便的分割出前景图像,操作简单,而且分割的效果很好。算法的原理参见papaer:“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts
比如下面的一副图,我们只要选定一个四边形框,把框中的图像作为grabcut的一个输入参数,表示该框中的像素可能属于前景,但框外的部分一定属于背景。
GrabCut算法实现步骤为:
1.在图片中定义含有(一个或多个)物体的矩形
2.矩形外的区域被自动认为是背景
3.对于用户定义的矩形区域,可用背景中的数据来区别它里面的前景和背景区域
4.用高斯混合模型(GMM)来对背景和前景建模,并将未定义的像素标记为可能的前景或背景。
5.图像中的每一个像素都被看作通过虚拟边与周围像素相连接,而每条边都有一个属于前景或背景的概率,这基于它与周围像素颜色上的相似性。
6.每一个像素(即算法中的节点)会与一个前景或背景节点连接
7.在节点完成连接后(可能与背景或前景连接),若节点之间的边属于不同终端(即一个节点属于前景,另一个节点属于背景),则会切断它们之间的边(这就是算法名中的切割部分),这就能将图像各部分分割出来。
import numpy as np import cv2 from matplotlib import pyplot as pltimg=cv2.imread('1.jpg') mask=np.zeros(img.shape[:2],np.uint8)#创建一个掩模
#创建以0填充的前景和背景模型 bgdModel=np.zeros((1,65),np.float64) fgdModel=np.zeros((1,65),np.float64)rect=(100,160,400,670)#创建矩形 cv2.grabCut(img,mask,rect,bgdModel,fgdModel,5,cv2.GC_INIT_WITH_RECT)#使用了指定的空模型和掩模来运行GrabCut,并且实际上是用一个矩形来初始化这个操作 #做完这些后,我们的掩模已经变成包含0~3之间的值。值为0和2的将转为0,值为1,3的将转为1.然后保存在mask2中。这样就可以用mask2过滤出所有的0值像素(理论上会完整保留所有前景像素) mask2=np.where((mask==0)|(mask==2),0,1).astype('uint8') img=img*mask2[:,:,np.newaxis]plt.subplot(121),plt.imshow(img) plt.title("grabcut"),plt.xticks([]),plt.yticks([]) plt.subplot(122),plt.imshow(cv2.cvtColor(cv2.imread("1.jpg"),cv2.COLOR_BGR2RGB)) plt.title("original"),plt.xticks([]),plt.yticks([]) plt.show()
使用分水岭算法进行图像分割
把图像中的低密度的区域(变化很少)想象成山谷,图像中高密度的区域(变化很多)想象成山峰。开始向山谷中注入水直到不同的山谷中的水开始汇聚。为了阻止不同山谷的水汇聚,可以设置一些栅栏,最后得到的栅栏就是图像分割。