标签: image-segmentation

我正在尝试为项目编写自己的Watershed Segmentation实现.我有一个版本,返回类似于正确分割的东西给出非常琐碎的图片.不幸的是,它超级慢/效率低,它可能会或可能不会在所有情况下终止.

我一直在使用Woods和Gonzales的"数字图像处理"中的描述,以及Watershed Wikipedia页面.一般算法编码并包含在下面,但我有一种感觉,我循环了很多我不需要的东西.我非常感谢这里的所有帮助,在此先感谢.

    public static Set<Point> watershed(double[][] im) {

    //Get the Gradient Magnitude to use as our "topographic map."

    double t1 = System.currentTimeMillis();
    double[][] edges = EdgeDetection.sobelMagnitude(im);


    //Only iterate over values in the gradient magnitude to speed up.

    double[] histogram = Image.getHistogram(edges);
    Image.drawHistogram(histogram, Color.red);
    int minPixelValue = 0;
    for (int i = 0; i < histogram.length; i++) {
        if (histogram[i] > 0) {
            minPixelValue = i;
            break;
        }
    }
    int h = im.length;
    int w = im[0].length;

    //SE is …

我在Android平台上使用openCV.在这个社区和技术人员的大力帮助下,我能够成功地从图像中检测到一张纸.这些是我使用的步骤.

1.Imgproc.cvtColor()
 2.Imgproc.Canny()
 3.Imgproc.GausianBlur()
 4.Imgproc.findContours()
 5.Imgproc.approxPolyDP()
 6.findLargestRectangle()
 7.find the vertices of the rectangle
 8.find the vertices of the rectangle top-left anticlockwise order using center of mass approach
 9.find the height and width of the rectangle just to maintain the aspect ratio and do warpPerspective transformation.

应用了所有这些步骤后,我可以轻松地从图像中获取文档或最大的矩形,但这在很大程度上取决于背景和文档表的强度差异.由于Canny边缘的工作原理是强度梯度,不同之处在于强度总是从实现方面假设.这就是为什么Canny将各种阈值参数考虑在内.

1. 降低Thershold
2. Heigher Thershold

因此,如果像素的强度梯度大于高阈值,则它将被添加为输出图像中的边缘像素.如果像素的强度梯度值低于下阈值,则像素将被完全拒绝.如果是像素在较低和较高阈值之间具有强度,如果它连接到具有大于较高阈值的值的任何其他像素,则它将仅被添加为边缘像素.

我的主要目的是使用Canny边缘检测进行文档扫描,因此我想知道如何动态计算这些阈值,以便它可以处理暗背景和浅背景两种情况.

我通过手动调整参数尝试了很多,但我找不到与场景关联的关系.

希望我明确我的观点,并提前致谢

通常在OCR的过程中,图像文件基本上被切割成段,并且每个字符被重新称为段.例如,

必须转变成类似的东西

此外,是否有像泰卢固语这样的亚洲语言的算法可以用于此目的？如果没有,这对英语怎么办？

假设我有两个相同大小的二进制图像.如何找到两个二进制图像之间的交集？只有两个图像上相同坐标(位置)的像素为白色(灰色 - 255)才会在输出图像(交叉点)上产生白色像素.

我有一个生态栖息地的栅格,我已经转换成二维Python numpy数组(下面的example_array).我还有一个包含具有唯一值的"种子"区域的数组(下面的seed_array),我想用它来对我的栖息地区域进行分类.我想将我的种子区域"种植"到我的栖息地区域,以便为栖息地分配最近种子区域的ID,通过栖息地区域进行测量.例如:

我最好的方法是使用该ndimage.distance_transform_edt函数创建一个数组,描述数据集中每个单元格最近的"种子"区域,然后将其替换回栖息地数组.然而,这并不是特别好用,因为该功能不能测量"通过"我的栖息地区域的距离,例如下面的红色圆圈表示错误分类的单元格:

下面是我的栖​​息地和种子数据的示例数组,以及我正在寻找的输出类型的示例.我的实际数据集要大得多 - 超过一百万个栖息地/种子区域.任何帮助将非常感激!

import numpy as np
import scipy.ndimage as ndimage
import matplotlib.pyplot as plt

# Sample study area array
example_array = np.array([[0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0],
                          [0, 0, 0, 1, 1, 1, 0, 0, 0, 1, 1, 1],
                          [0, 0, 0, 0, 1, 1, 0, 0, 0, 1, 1, 1],
                          [0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 1, 0],
                          [1, 1, 1, …

我正在keras中实现ApesNet.它有一个跳过连接的ApesBlock.如何将其添加到keras中的顺序模型？ApesBlock有两个平行的层,最后通过逐元素加法合并.

有两个图像

alt text http://bbs.shoucangshidai.com/attachments/month_1001/1001211535bd7a644e95187acd.jpg alt text http://bbs.shoucangshidai.com/attachments/month_1001/10012115357cfe13c148d3d8da.jpg 一个是背景图片另一个是一个人的照片相同的背景,相同的大小,我想要做的是删除第二个图像的背景,并仅提取人的个人资料.常见的方法是从第二个图像中减去第一个图像,但我的问题是人的佩戴颜色是否与背景相似.减法的结果很糟糕.我无法得到整个人的个人资料.谁有好主意删除背景给我一些建议.先感谢您.

我想cv2.distanceTransform()在Python中使用方法.运行以下代码行时出现错误:

dist_transform = cv2.distanceTransform(opening,cv2.DIST_L2,5)

运行此代码时出现以下错误:

AttributeError:'module'对象没有属性'DIST_L2'

之前已经提出了类似的问题,我知道当你的python文件名是'something.py'时导入'某事'会出现这个问题.但是,我的python文件名是segment3.py.

有人可以帮我这个吗？我正在尝试使用分水岭算法进行分割.我正在研究Fedora20.提前致谢!

我正在使用opencv进行服装特征识别.作为第一步,我需要通过从图像中移除面部和手部来分割T恤.任何建议表示赞赏.

我很确定这是一个愚蠢的问题,但我无法在其他任何地方找到它,所以我会在这里问它.

我正在使用带有7个标签的keras中的cnn(unet)进行语义图像分割.所以每个图像的标签是(7,n_rows,n_cols)使用theano后端.因此,对于每个像素的7个层,它是一个热编码的.在这种情况下,使用分类交叉熵是正确的误差函数吗？这似乎对我来说,但网络似乎更好地学习二进制交叉熵损失.有人可以阐明为什么会这样,原则目标是什么？