python – 基于边缘像素图的图像分割

内容导读

互联网集市收集整理的这篇技术教程文章主要介绍了python – 基于边缘像素图的图像分割，小编现在分享给大家，供广大互联网技能从业者学习和参考。文章包含1968字，纯文字阅读大概需要3分钟。

内容图文

我已经在Python中训练了一个分类器,用于将单元格图像中的像素分类为边缘或非边缘.我已经成功地在一些图像数据集上使用它,但是遇到了这个特定数据集的问题,即使对人眼来说也是如此.我不知道任何可以准确分割它的现有自动化技术.

预测后,我得到以下图像：

我对图像处理相对较新,不确定如何继续实际获得细胞的最终分割.我简要地尝试了一些不同的技术 – 即霍夫圆形变换,水平集,骨架化,轮廓发现 – 但没有一个真正完成这个技巧.我只是没有正确调整参数,还是有更好的技术？

顺便提一下,这是正确的轮廓供参考.

和原始图像：

和连续概率图：

解决方法:

非常好的边界检测工作.我曾经研究类似的分割问题.

理论：

一旦你获得了边缘图,其中e(i,j)表示像素i,j的“边缘度”,你想要一个尽可能尊重边缘图的图像分割.
为了以更正式的方式制定这个“尊重边缘图”,我建议你看看Correlation clustering (CC)功能：
CC功能基于相邻像素之间的成对关系来评估分割的质量,无论它们是否应该在相同的簇(它们之间没有边缘)或不同的簇中(它们之间存在边缘).
请查看aforementioned论文第7.1节中的示例.
CC也用于医学(神经元)成像中的类似分割问题,参见例如here.

实践

一旦你说服自己CC确实是适合你的问题的公式,仍然存在如何将二进制边缘映射转换为CC可以处理的亲和度矩阵的问题.请记住,CC需要作为输入(通常是稀疏的)邻接矩阵,其中假设属于同一段的像素对具有正条目,并且假定属于不同分段的像素对的负条目.

这是我的建议：

>边缘贴图中的边缘看起来很厚,并且没有很好的局部化.我建议将非最大抑制或形态学作为预处理阶段.
>一旦你有一个更好的局部边缘,你忽略“边缘”像素,只使用“非边缘”像素,让我们称之为“活动”.
两个相邻的有效像素：它们之间没有“边缘”像素 – 它们应该在一起.所以,对于不朽的nieghbors的进化矩阵应该是积极的.
考虑一条线上的三个像素,两个端点是“活动”像素：如果中间的一个是边缘,那么两个活动像素不应属于同一个集群 – 在这一点中,对象矩阵中的相应条目应为负数.如果中间像素也是活动的,则对象矩阵中的相应条目应该是正的.
>考虑所有可能的相邻对和三元组(诱导24连通网格图)允许您构建具有适合CC的正和负条目的亲和度矩阵.
>给定矩阵,您应该搜索具有最佳CC分数的分段(优化阶段).我有这个here的Matlab代码.您也可以使用优秀的openGM包.
>优化将仅生成有效像素的分区,您可以将其映射回输入图像域,将边缘像素保留为未分配给任何段.

内容总结

以上是互联网集市为您收集整理的python – 基于边缘像素图的图像分割全部内容，希望文章能够帮你解决python – 基于边缘像素图的图像分割所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错，欢迎将互联网集市网站推荐给程序员好友。

内容备注

版权声明：本文内容由互联网用户自发贡献，该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请发送邮件至 gblab@vip.qq.com 举报，一经查实，本站将立刻删除。

内容手机端