服务网站开发,怎样用自己的空间做网站,大连企业网站排名,阿里云邮箱企业版登录超像素
超像素是把一张图片中具有相似特征的像素进行聚类#xff0c;形成一个更具有代表性的大“像素”。这个新的像素可以作为其他图像处理算法的基本单位#xff0c;可以减低图像的维度和异常像素点。目前常用的超像素分割算法有SLIC、SEEDS和LSC。下面来说说这些算法基于…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”。这个新的像素可以作为其他图像处理算法的基本单位可以减低图像的维度和异常像素点。目前常用的超像素分割算法有SLIC、SEEDS和LSC。下面来说说这些算法基于Opencv的Python实现。
简单线性迭代聚类SLIC
同时显示三种算法处理结果
# codingutf-8#############################slic######
#参考 https://blog.csdn.net/xhtchina/article/details/129611149
import cv2
import numpy as npimg cv2.imread(./data/banma3.jpg)
if img is None: print(Image not loaded)
else: cv2.imshow(img, img)### SLIC 算法
# 初始化slic项超像素平均尺寸20默认为10平滑因子20
slic cv2.ximgproc.createSuperpixelSLIC(img, region_size20, ruler20.0)
slic.iterate(10) # 迭代次数越大效果越好
mask_slic slic.getLabelContourMask() # 获取Mask超像素边缘Mask1
label_slic slic.getLabels() # 获取超像素标签
number_slic slic.getNumberOfSuperpixels() # 获取超像素数目
mask_inv_slic cv2.bitwise_not(mask_slic)
img_slic cv2.bitwise_and(img, img, maskmask_inv_slic) #在原图上绘制超像素边界color_img np.zeros((img.shape[0], img.shape[1], 3), np.uint8)
color_img[:] (0, 255 , 0)
result_ cv2.bitwise_and(color_img, color_img, maskmask_slic)
result cv2.add(img_slic, result_)#cv2.imwrite(./data/cat_SLIC.png, result)
cv2.imshow(SLIC.png,result)
#cv2.waitKey(5000)
#cv2.destroyAllWindows()############################SEEDS算法#######################
# import cv2
# import numpy as np# img cv2.imread(./data/banma3.jpg)
#初始化seeds项注意图片长宽的顺序
#retvalcv.ximgproc.createSuperpixelSEEDS(image_width, image_height, image_channels, num_superpixels, num_levels[, prior[, histogram_bins[, double_step]]])
seeds cv2.ximgproc.createSuperpixelSEEDS(img.shape[1],img.shape[0],img.shape[2],2000,15,3,5,True)
seeds.iterate(img,10) #输入图像大小必须与初始化形状相同迭代次数为10
mask_seeds seeds.getLabelContourMask()
label_seeds seeds.getLabels()
number_seeds seeds.getNumberOfSuperpixels()
mask_inv_seeds cv2.bitwise_not(mask_seeds)
img_seeds cv2.bitwise_and(img,img,mask mask_inv_seeds)color_img np.zeros((img.shape[0], img.shape[1], 3), np.uint8)
color_img[:] (0, 255 , 0)
result_ cv2.bitwise_and(color_img, color_img, maskmask_seeds)
result cv2.add(img_seeds, result_)
#cv2.imshow(result_,result_)
#cv2.imshow(seeds,result)
#cv2.imwrite(./data/banma3_seeds.png, result)
#cv2.waitKey(5000)
#cv2.destroyAllWindows()##################################LSC 算法
# import cv2
# import numpy as np# img cv2.imread(./data/banma3.jpg)
lsc cv2.ximgproc.createSuperpixelLSC(img)
lsc.iterate(10)
mask_lsc lsc.getLabelContourMask()
label_lsc lsc.getLabels()
number_lsc lsc.getNumberOfSuperpixels()
mask_inv_lsc cv2.bitwise_not(mask_lsc)
img_lsc cv2.bitwise_and(img,img,mask mask_inv_lsc)color_img np.zeros((img.shape[0], img.shape[1], 3), np.uint8)
color_img[:] (0, 255 , 0)
result_ cv2.bitwise_and(color_img, color_img, maskmask_lsc)
result cv2.add(img_lsc, result_)cv2.imshow(ours,result)
#cv2.imwrite(./data/banma3_lcs.png, result)
cv2.waitKey(8000)
cv2.destroyAllWindows()
