小明很幸运,刚毕业就收到了一家大型医疗公司实习生的offer,今天是他入职第一天,刚到公司经理就问了他一个问题:什么是图像分割?小明不假思索地回答:对图像上的每一个像素进行分类!经理很满意,决定让他来接手图像分割模块。
小明很快就接到了第一个任务:将下面的苹果分割出来。
小明很快想到了基于阈值的分割,其关键是得到合理的阈值,可以通过先验知识获取阈值,但现实中大多通过计算得到,例如,直方图。
这里顺便讲一下直方图,直方图是一种很流行的统计方法,本次应用的是颜色直方图,顾名思义是用来统计灰度的分布,横坐标是灰度值,纵坐标是该灰度的分布,但该统计并不包括位置信息。
根据灰度直方图,小明很轻松地就得到了苹果区域的灰度值201,灰度图中0代表黑色,255代表白色。
得到了苹果区域的灰度值,就可以基于阈值进行分割,阈值可以设置为背景和苹果中间任意一点,例如,阈值设置为100,Opencv中阈值分割函数:
threshold( src_gray, dst, threshold_value, max_binary_value, threshold_type );
threshold_value就是我们计算的阈值100,threshold_type是个很有意思的参数,可以控制分割结果,例如,如果无法计算出阈值,可以设定THRESH_OSTU,算法自动计算一个阈值。
基于阈值的分割方法虽然简单,但适用性很小,现实中的图像并不像苹果图像这么简单,例如,目标灰度并不单一,且不同类别灰度有重合,图像受噪声影响等,我们很难算出一个合理的阈值,经理希望小明能设计一个更加稳健的分割算法。
小明决定换个思路,如果找到了目标的轮廓,那不就能实现分割了嘛,下面看一下Opencv中的sobel和canny边缘检测算法。
Sobel边缘检测:
边缘检测易受噪声影响,所以先进行平滑
GaussianBlur(image, src, Size(3, 3), 0, 0, BORDER_DEFAULT);
Mat grad_x, grad_y;
Mat abs_grad_x, abs_grad_y;
计算X Y方向梯度
/// Gradient X
Sobel(src_gray, grad_x, ddepth, 1, 0, ksize, scale, delta, BORDER_DEFAULT);
/// Gradient Y
Sobel(src_gray, grad_y, ddepth, 0, 1, ksize, scale, delta, BORDER_DEFAULT);
X Y方向的梯度按权重相加,结果大于阈值的就是边缘
convertScaleAbs(grad_x, abs_grad_x);
convertScaleAbs(grad_y, abs_grad_y);
addWeighted(abs_grad_x, 0.5, abs_grad_y, 0.5, 0, grad);
Canny边缘检测:
基于边缘检测的分割仍依赖目标有清晰的边缘,但对于医疗图像,目标解剖位置有遮挡,边界不容易得到,所以分割结果也不准确,经理希望小明继续优化分割算法。
既然是图像分割,那每一类分割目标区域像素间肯定有很高的相似度,基于这个前提,小明决定再换个思路,采用基于区域的分割方法。
说到基于相似性分类,那首先肯定会想到聚类,例如Kmeans,基于灰度值进行聚类。
但对于CT图像而言,不同组织间的CT值差别可能不是很大,这样就容易把不同组织聚成一类,所以后续又出现了改进模型,模糊C均值聚类,以及各种改进模型。
KNN分类过程过于简单,单纯依赖于距离,并没有对数据分布进行假设,高斯混合模型是一种概率模型,它假设所有数据点都是从具有未知参数的高斯分布的混合中生成的。
Opencv中的GrabCut就是基于高斯混合模型进行图像分割,但GrabCut需要用户指定背景像素集,属于非全自动分割方法。
说到GrabCut,那就不得不提一下Graph cuts,他是基于图论进行图像分割,这种方法也需要用户指定前景和背景种子点,也属于非全自动分割方法。
下面介绍另一种基于区域相似性原则的图像分割方法,分水岭方法,是一种基于拓扑理论的数学形态学的分割方法,颜色值代表海拔,,一幅图像可以分为多个盆地,水从每个盆地最底部外溢,当水位到达两个盆地边界时,为了防止不同盆的水汇合,人工筑起一道水坝,这个水坝就是分割的边缘。
Opencv分水岭算法:
watershed( img0, markers );
该方法也需要人为设定每个盆地种子点,或者通过各种变换计算种子点,还有一种需要人为设定种子点的方法是区域增长法,也是依据区域相似度进行区域增长。
基于区域的图像分割方法大多依赖先验知识,需要人为设定种子点,我们希望能够实现全自动图像分割,且不需要人为干预,经理希望小明沿着这个思路设计图像分割算法。
如果想摆脱人为设定的先验知识,小明决定拿出杀手锏:人工智能,基于深度学习的图像分割技术,尤其是CNN,视觉Transformer已经相当成熟。
以上就是小明应用于图像分割的技术的综述性概括,也是图像分割的辛酸史。
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 dio@foxmail.com 举报,一经查实,本站将立刻删除。