opencv实现超像素分割（slic实现）

实现效果图：

同时还使用了 mask图，要识别的区域为白色，背景为黑色

import cv2
import numpy as np
import os.path as osp
import os
import numpy as np
from tqdm import tqdm
from skimage import morphology
from skimage import segmentationdef get_ori_list(ori_folder):img_list = os.listdir(ori_folder)ori_list = []for img_name in img_list:flag = 0 for sample in check_list:if sample in img_name:flag=1breakif flag==0:ori_list.append(osp.join(ori_folder,img_name))if len(ori_list)>20:breakreturn ori_listcheck_list = ['copper','bg','check','dust']
"""超像素由一系列位置相邻且颜色、亮度、纹理等特征相似的像素点组成的小区域。
这些小区域大多保留了进一步进行图像分割的有效信息，且一般不会破坏图像中物体的边界信息，
用少量的超像素代替大量像素表达图像特征，降低了图像处理的复杂度，
一般作为分割算法的预处理步骤。"""def get_reverse(pic_matrix):where_0 = np.where(pic_matrix == 0)where_255 = np.where(pic_matrix == 255)pic_matrix[where_0] = 255pic_matrix[where_255] = 0return pic_matrixdef use_slic_by_SLIC(img_path,mask_path,end_path):"""https://scikit-image.org/docs/dev/auto_examples/segmentation/plot_mask_slic.html#sphx-glr-auto-examples-segmentation-plot-mask-slic-py"""image = cv2.imread(img_path)#image = cv2.resize(image,(256,256))mask_image = cv2.imread(mask_path)#mask_image = get_reverse(mask_image)# kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (2, 2))# mask_image = cv2.dilate(mask_image, kernel)#mask_image = cv2.resize(mask_image,(256,256))img_R = mask_image[:,:,0]mask = img_R>220# 生成扁平的盘状结构元素 skimage.morphology.diskmask = morphology.opening(mask, morphology.disk(10))#mask是一个只包含True和False的ndarray，它的shape和data一致，# segmentation.slic在Color-（x，y，z）空间中使用k-means聚类来分割图像。m_slic = segmentation.slic(image, n_segments=20000, mask=mask)slic_image = segmentation.mark_boundaries(image, m_slic,outline_color=(0,1,1))cv2.imwrite(end_path,slic_image*255)  return slic_image*255if __name__ == '__main__':ori_folder = '/cloud_disk/users/huh/dataset/PCB/ddrnet_23_slim/pre_process_img'end_folder = '/cloud_disk/users/huh/pcb/script/slic_result/1_cv2'ori_list = get_ori_list(ori_folder)for img_path in tqdm(ori_list):end_path = osp.join(end_folder,osp.basename(img_path))mask_path = osp.join(ori_folder,osp.basename(img_path[:-4])+'_bg_mask.jpg')try:slic_image = use_slic_by_SLIC(img_path,mask_path,end_path)# slic_image = cv2.imread(osp.join('/cloud_disk/users/huh/pcb/script/slic_result/1_without_small',osp.basename(img_path)))#slic_image = cv2.resize(slic_image,(512,512))#remove_small_objects(mask_path,end_path,img_path,slic_image)except ValueError:print(end_path)

opencv实现超像素分割（slic实现）相关推荐

julia 调用python库_Julia调用Python实现超像素分割SLIC算法
最近想要在julia中实现 Simple Linear Iterative Clustering (SLIC) 算法对图像进行超像素分割,关于SLIC超像素分割算法,请参考SLIC Superpixe ...
VLFeat SLIC超像素分割(Cpp版)
这段时间对VLFeat的C接口非常的感兴趣,以前用的都是其Matlab接口,虽然很方便,而且提供的Matlab接口要比C接口功能更强大,但Matlab终归只能用来做一下快速的方法验证,所以想比较完整的 ...
python-opencv实现图像超像素分割（SLIC、SEEDS、LSC）
转载自:苏格拉- PYTHON - OPENCV实现图像超像素分割(SLIC.SEEDS.LSC) 超像素超像素是把一张图片中具有相似特征的像素进行聚类,形成一个更具有代表性的大"像素&q ...
图像分割：Python的SLIC超像素分割
图像分割:Python的SLIC超像素分割 1. 什么是超像素? 2. 为什么超像素在计算机视觉方面有重要的作用? 3. 简单线性迭代聚类(SLIC) 4. 效果图 5. 源码参考 1. 什么是超像 ...
SLIC超像素分割方法
为了方便查找,记录SLIC超像素分割方法的介绍简介关键代码分析应用
SLIC 超像素分割详解（三）：应用
看过上面的介绍后,我们应该思考一下:分割好的超像素有什么用?怎么用?用到哪里? 首先,超像素可以用来做跟踪,可以参考卢湖川课题组发表在IEEE TIP上的<Robust superpixeltr ...
SLIC超像素分割的算法介绍和源码分析
前述最近在看显著性检测,发现很多算法的基础是超像素分割,而正在看的Saliency Optimization from Robust Background Detection算法的预处理是SLIC算 ...
MATLAB显示slic，quickshift超像素分割结果图
首先介绍vlfeat库函数:vl_slic,vl_quickshift,vl_quckseg vl_slic SLIC superpixels segments = vl_slic(im,regio ...
超像素分割（Slic算法）——个人梳理
一.使用背景我在进行乳腺癌图像识别的学校项目中,参考了山东大学的硕士论文,并希望加以简化复现,此论文会在文末附上.项目要求我们需要对乳腺癌图片进行分类(无肿瘤,良性肿瘤,恶性肿瘤),参照论文所说,我 ...
SLIC超像素分割详解
SLIC超像素分割详解(一) 超像素概念是2003年Xiaofeng Ren提出和发展起来的图像分割技术,是指具有相似纹理.颜色.亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块.它利用像素之间 ...

opencv实现超像素分割（slic实现）

opencv实现超像素分割（slic实现）相关推荐

最新文章

热门文章