建设网站的成本,深圳俄语网站建设,商业网站在规划与设计时应着重考虑哪些因素,湖南移动官网网站建设1. 引言
大家好#xff0c;我的图像处理爱好者们#xff01; 在上一篇幅中#xff0c;我们简单介绍了图像分割领域中的基础知识#xff0c;包含基于固定阈值的分割和基于OSTU的分割算法。这一次#xff0c;我们将通过介绍基于色度的分割来进一步巩固大家的基础知识。
闲…1. 引言
大家好我的图像处理爱好者们 在上一篇幅中我们简单介绍了图像分割领域中的基础知识包含基于固定阈值的分割和基于OSTU的分割算法。这一次我们将通过介绍基于色度的分割来进一步巩固大家的基础知识。
闲话少说我们直接开始吧
2. RG-色度空间
基于色度的分割是指对每个像素的RGB值进行归一化处理使我们的分割与光照条件无关。在开始之前首先让我们讨论一下RG色度空间。它是一种二维的颜色表示可以从我们的颜色中去除强度值与标准的RGB空间的转化关系如下
有的同学要问了这里没有b, 实质上上述公式中 r 代表R在RGB中的占比g代表G在RGB中的占比剩下的 b 则是 1−r−g。 可视化出的结果图如下
一般来说我们可以RG色度空间应用到我们基础的图像分割任务中我们接下来通过示例进行相关说明。
3. 导入样例图像
按照惯例我们首先来导入本样例所需示例图像代码如下
# Import the necessary libraries
from skimage.io import imread, imshow
import matplotlib.colors as colors
from skimage.color import rgb2gray
import matplotlib.pyplot as plt
import numpy as np
# Display the original image
original_image imread(plants.jpg)
plt.figure(figsize(20,20))
plt.imshow(original_image)
plt.title(Original Image, fontsize20, weightbold)
plt.show()得到结果如下
4. 转到RG色度空间
接着我们可以使用以下代码实现原图到RG色度空间代码如下
original_image_R original_image[:,:,0]*1.0/original_image.sum(axis2)
original_image_G original_image[:,:,1]*1.0/original_image.sum(axis2)plt.figure(figsize(20,20))
plt.scatter(original_image_R.flatten(),original_image_G.flatten())
plt.xlim(0,1)
plt.ylim(0,1);结果如下
5. 选择模板图像
这里我们选择一块绿色植物作为我们的模板图像代码如下
patch original_image[3200:3300,2800:2900,:]
plt.figure(figsize(10,10))
plt.imshow(patch)
plt.title(Reference Patch for Green, fontsize20, weightbold)
plt.axis(off);结果如下
接着我们可以得到此模板图像的RG色度
patch_R patch[:,:,0]*1.0/patch.sum(axis2)
patch_G patch[:,:,1]*1.0/patch.sum(axis2)plt.figure(figsize(10,10))
plt.scatter(patch_R.flatten(),patch_G.flatten())
plt.xlim(0,1)
plt.ylim(0,1);结果如下
6. 计算高斯分布
接着我们需要做的事就是计算我们模板图像的高斯分布来找到我们感兴趣的颜色。因此我们用以下代码计算模板图像R通道的平均值和方差如下
std_patch_R np.std(patch_R.flatten())
mean_patch_R np.mean(patch_R.flatten())我们来可视化下R通道计算出来的结果代码如下
def gaussian(p,mean,std):return np.exp(-(p-mean)**2/(2*std**2))*(1/(std*((2*np.pi)**0.5)))
x np.linspace(0,1)
y gaussian(x,mean_patch_R,std_patch_R)
plt.plot(x,y);画图如下
这种分布为我们提供了使用R通道选择某种颜色作为图像表示的概率。我们实际上可以通过使用以下方法来利用该信息来分割我们的图像
prob_R gaussian(original_image_R,mean_patch_R,std_patch_R)
plt.imshow(prob_R);结果如下
7. 分割图像
上面只是使用了RG-色度空间的R通道进行分割的结果同时我们类比计算G通道的分割结果 代码如下
std_patch_G np.std(patch_G.flatten())
mean_patch_G np.mean(patch_G.flatten())
prob_G gaussian(original_image_G,mean_patch_G,std_patch_G)
plt.imshow(prob_G);结果如下
最后我们考虑的两个通道是独立概率我们可以简单地将掩码相乘
probprob_R * prob_G
plt.imshow(prob)达到最终结果如下
8. 总结
通过上述分析我们一步一步实现了利用RG-色度空间来分割绿色植物的目标并针对每一步骤都进行了相应的讲解和代码示例您学废了嘛
