迭代阈值法，otsu阈值法，特征空间类聚法对图像进行分割（python）

用到：迭代阈值法，Otsu阈值，特征空间聚类法
实验用图：

1.用迭代阈值法确定阈值，对图像进行分割，显示阈值和分割结果；

import cv2
import numpy as np
import matplotlib.pyplot as plt
import matplotlib.cm as cm
def diedai(img):img_array = np.array(img).astype(np.float32)#转化成数组I=img_arrayzmax=np.max(I)zmin=np.min(I)tk=(zmax+zmin)/2#设置初始阈值#根据阈值将图像进行分割为前景和背景，分别求出两者的平均灰度  zo和zbb=1m,n=I.shape;while b==0:ifg=0ibg=0fnum=0bnum=0for i in range(1,m):for j in range(1,n):tmp=I(i,j)if tmp>=tk:ifg=ifg+1fnum=fnum+int(tmp)  #前景像素的个数以及像素值的总和else:ibg=ibg+1bnum=bnum+int(tmp)#背景像素的个数以及像素值的总和#计算前景和背景的平均值zo=int(fnum/ifg)zb=int(bnum/ibg)if tk==int((zo+zb)/2):b=0else:tk=int((zo+zb)/2)return tk
img = cv2.imread("1.jpg")
img = cv2.cvtColor(img,cv2.COLOR_BGR2RGB)
gray = cv2.cvtColor(img,cv2.COLOR_RGB2GRAY)
img = cv2.resize(gray,(200,200))#大小
yvzhi=diedai(img)
ret1, th1 = cv2.threshold(img, yvzhi, 255, cv2.THRESH_BINARY)
print(ret1)
plt.imshow(th1,cmap=cm.gray)
plt.show()

结果图：

2.用Otsu阈值，对图像分割，显示阈值和分割结果；

#coding:utf-8
import cv2
import numpy as np
from matplotlib import pyplot as pltimage = cv2.imread("1.jpg")
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)plt.title("source image"), plt.xticks([]), plt.yticks([])plt.title("Histogram"), plt.xticks([]), plt.yticks([])
ret1, th1 = cv2.threshold(gray, 0, 255, cv2.THRESH_OTSU)  #方法选择为THRESH_OTSU
plt.imshow(th1, "gray")
plt.title("OTSU,threshold is " + str(ret1)), plt.xticks([]), plt.yticks([])
plt.show()

结果图如下：

3.用特征空间聚类法，对彩色图像分割，显示分割结果。

# coding: utf-8
import cv2
import numpy as np
import matplotlib.pyplot as plt#读取原始图像
img = cv2.imread('1.jpg')
print(img.shape)#图像二维像素转换为一维
data = img.reshape((-1,3))
data = np.float32(data)#定义中心 (type,max_iter,epsilon)
criteria = (cv2.TERM_CRITERIA_EPS +cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)#设置标签
flags = cv2.KMEANS_RANDOM_CENTERS#聚集成2类
compactness, labels2, centers2 = cv2.kmeans(data, 2, None, criteria, 10, flags)#聚集成4类
compactness, labels4, centers4 = cv2.kmeans(data, 4, None, criteria, 10, flags)#聚集成8类
compactness, labels8, centers8 = cv2.kmeans(data, 8, None, criteria, 10, flags)#聚集成16类
compactness, labels16, centers16 = cv2.kmeans(data, 16, None, criteria, 10, flags)#聚集成64类
compactness, labels64, centers64 = cv2.kmeans(data, 64, None, criteria, 10, flags)#图像转换回uint8二维类型
centers2 = np.uint8(centers2)
res = centers2[labels2.flatten()]
dst2 = res.reshape((img.shape))centers4 = np.uint8(centers4)
res = centers4[labels4.flatten()]
dst4 = res.reshape((img.shape))centers8 = np.uint8(centers8)
res = centers8[labels8.flatten()]
dst8 = res.reshape((img.shape))centers16 = np.uint8(centers16)
res = centers16[labels16.flatten()]
dst16 = res.reshape((img.shape))centers64 = np.uint8(centers64)
res = centers64[labels64.flatten()]
dst64 = res.reshape((img.shape))#图像转换为RGB显示
img = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)
dst2 = cv2.cvtColor(dst2, cv2.COLOR_BGR2RGB)
dst4 = cv2.cvtColor(dst4, cv2.COLOR_BGR2RGB)
dst8 = cv2.cvtColor(dst8, cv2.COLOR_BGR2RGB)
dst16 = cv2.cvtColor(dst16, cv2.COLOR_BGR2RGB)
dst64 = cv2.cvtColor(dst64, cv2.COLOR_BGR2RGB)#用来正常显示中文标签
plt.rcParams['font.sans-serif']=['SimHei']#显示图像
titles = [u'原始图像', u'聚类图像 K=2', u'聚类图像 K=4',u'聚类图像 K=8', u'聚类图像 K=16',  u'聚类图像 K=64']
images = [img, dst2, dst4, dst8, dst16, dst64]
for i in range(6):  plt.subplot(2,3,i+1), plt.imshow(images[i], 'gray'), plt.title(titles[i])  plt.xticks([]),plt.yticks([])
plt.show()

结果图如下：

这里注意，k值越大，所需要的计算量越大，所以要等待一段时间，如果你只要较小的几个k值的图片，那你能够很快的得到结果。

利用图像分割技术对给出的绿幕图像进行一系列处理，实现
1.前景目标和背景分离，即提取前景目标;
2.将提取出来的目标和其他背景（自备）合成为一幅新背景图像。

import cv2
import  numpy as npimg=cv2.imread('1.jpg')
img_back=cv2.imread('back.jpg')
#日常缩放
rows,cols,channels = img_back.shape
img_back=cv2.resize(img_back,None,fx=1.1,fy=1.1)
#cv2.imshow('img_back',img_back)rows,cols,channels = img.shape
img=cv2.resize(img,None,fx=0.4,fy=0.4)
#cv2.imshow('img',img)
rows,cols,channels = img.shape#rows，cols最后一定要是前景图片的，后面遍历图片需要用到#转换hsv
hsv=cv2.cvtColor(img,cv2.COLOR_BGR2HSV)
#获取mask
lower_blue=np.array([33,43,46])
upper_blue=np.array([77,255,255])
mask = cv2.inRange(hsv, lower_blue, upper_blue)
#cv2.imshow('Mask', mask)#腐蚀膨胀
erode=cv2.erode(mask,None,iterations=1)
#cv2.imshow('erode',erode)
dilate=cv2.dilate(erode,None,iterations=1)
#cv2.imshow('dilate',dilate)#遍历替换
center=[50,50]#在新背景图片中的位置
for i in range(rows):for j in range(cols):if dilate[i,j]==0:#0代表黑色的点img_back[center[0]+i,center[1]+j]=img[i,j]#此处替换颜色，为BGR通道
cv2.imshow('res',img_back)cv2.waitKey(0)
cv2.destroyAllWindows()

结果图：

这里的效果不是很好，我这里是对绿色的背景进行筛选，还可以有以上的几种方法对图片的前景进行提取，也可以得到类似的效果。可能效果比这个好一点。
背景图如下：

这里要注意的是，你的背景图输出的时候不能比你的提取图片小，负责会出错，可以使用缩放进行调整。

迭代阈值法，otsu阈值法，特征空间类聚法对图像进行分割（python）相关推荐

【智能车】图像二值化算法--大津法OTSU
图像二值化算法–大津法OTSU 大津算法是一种图像二值化算法,作用是确定将图像分成黑白两个部分的阈值. 大津法是针对灰度值进行阈值分割二值化,如果是彩色图像的话需要先转化成灰度图再进行计算. 方差越大 ...
图像分割 - 阈值处理 - 最大类间方差法(OTSU)
目录 1. OTSU 介绍 2. 代码实现 1. OTSU 介绍 OTSU 大津法,也是最大类间方差算法 OTSU 算法的思想通过不同的阈值K,将图像的分为两个区域,一个是灰度值 0 <= k ...
【机器视觉学习笔记】大津法/Otsu最大类间方差法最佳阈值处理（C++）
目录概念 C++源码 OtsuThreshold 主函数效果完整源码平台:Windows 10 20H2 Visual Studio 2015 OpenCV 4.5.3 本文所用源码修改自C+ ...
【图像处理】——图像的二值化操作及阈值化操作（固定阈值法（全局阈值法——大津法OTSU和三角法TRIANGLE）和自适应阈值法（局部阈值法——均值和高斯法））
目录一.二值化的概念(实际上就是一个阈值化操作) 1.概念: 2.实现方法 3.常用方法二.阈值类型 1.常见阈值类型(主要有五种类型) (1)公式描述 (2)图表描述 2.两种特殊的阈值算法(O ...
java大津法确定阈值,大津法（最大类间阈值法）
大津法又叫最大类间方差法.最大类间阈值法(OTSU).它的基本思想是,用一个阈值将图像中的数据分为两类,一类中图像的像素点的灰度均小于这个阈值,另一类中的图像的像素点的灰度均大于或者等于该阈值.如果这 ...
otsu阈值分割算法原理_大津法---OTSU算法
简介: 大津法(OTSU)是一种确定图像二值化分割阈值的算法,由日本学者大津于1979年提出.从大津法的原理上来讲,该方法又称作最大类间方差法,因为按照大津法求得的阈值进行图像二值化分割后,前景与背景 ...
【MATLAB教程案例23】基于MATLAB图像分割算法仿真——阈值分割法、Otsu阈值分割法、K均值聚类分割法等
FPGA教程目录 MATLAB教程目录目录 1.软件版本 2.通过二值图实现图像分割 3.通过Otsu阈值分割实现图像分割
OpenCV与图像处理学习七——传统图像分割之阈值法（固定阈值、自适应阈值、大津阈值）
OpenCV与图像处理学习七--传统图像分割之阈值法(固定阈值.自适应阈值.大津阈值) 一.固定阈值图像分割 1.1 直方图双峰法 1.2 OpenCV中的固定阈值分割二.自动阈值图像分割 2.1 ...
图像二值化之最大类间方差法(大津法，OTSU)
参考文章1:图像二值化与otsu算法介绍参考文章2:python opencv cv2.threshold() (将固定级别的阈值应用于每个数组元素)ThresholdTypes 最大类间方差法(大 ...

迭代阈值法，otsu阈值法，特征空间类聚法对图像进行分割（python）

迭代阈值法，otsu阈值法，特征空间类聚法对图像进行分割（python）相关推荐

最新文章

热门文章