scikit-image库-- 随机游走分割（十二）

╰+哭是因爲堅強的太久メ 2021-10-15 14:43 517阅读 0赞

#### Random Walk算法 ####

根据一组标记多个相位（2个或更多）的标记确定图像的分割。利用在标记点位置启动的示踪剂求解各向异性扩散方程。如果相邻像素具有相似的值，则局部扩散系数较大，因此很难在高梯度上进行扩散。每个未知像素的标签归因于已知标记的标签，该标记在扩散过程中最有可能首先到达。

在这个例子中，两个阶段是清晰可见的，但是数据太过嘈杂，无法仅从柱状图进行分割。我们从灰度值的柱状图的最尾部确定两个相位的标记，并使用随机游走器进行分割。

import numpy as np
    import matplotlib.pyplot as plt
    %matplotlib inline
    from skimage.segmentation import random_walker
    from skimage.data import binary_blobs
    from skimage import data
    from skimage.exposure import rescale_intensity
    import skimage
    
    # Generate noisy synthetic data
    data = skimage.img_as_float(binary_blobs(length=128, seed=4)) #布尔数组 转二值数组 参考图一
    #data=skimage.img_as_float(data.coins())
    sigma = 0.3
    data += np.random.normal(loc=0, scale=sigma, size=data.shape) #加噪声 参考图二
    data = rescale_intensity(data, in_range=(-sigma, 1 + sigma), 
                             out_range=(-1, 1)) # 拉伸亮度 参考 图三
    #返回图像后拉伸或收缩其强度水平。所需的强度范围的输入和输出,in_range和out_range分别用于拉伸或收缩的强度范围 输入的图像。
    
    # The range of the binary image spans over (-1, 1).
    # We choose the hottest and the coldest pixels as markers.
    markers = np.zeros(data.shape, dtype=np.uint)  #参考图四
    markers[data < -0.95] = 1
    markers[data > 0.95] = 2
    
    # Run random walker algorithm
    labels = random_walker(data, markers, beta=10, mode='bf')
    
    # Plot results
    fig, (ax1, ax2, ax3) = plt.subplots(1, 3, figsize=(8, 3.2),
                                        sharex=True, sharey=True)
    ax1.imshow(data, cmap='gray', interpolation='nearest')
    ax1.axis('off')
    ax1.set_title('Noisy data')
    ax2.imshow(markers, cmap='magma', interpolation='nearest')
    ax2.axis('off')
    ax2.set_title('Markers')
    ax3.imshow(labels, cmap='gray', interpolation='nearest')
    ax3.axis('off')
    ax3.set_title('Segmentation')
    
    fig.tight_layout()
    plt.show()

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70]  
![在这里插入图片描述][20190814170815604.png]

#### 图一：布尔数组 转二值数组 ####

![在这里插入图片描述][2019081417195029.png]  
![在这里插入图片描述][20190814172010489.png]

#### 图二： 加噪声 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 1]

#### 图三：拉伸亮度 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 2]

#### 图四： 掩模 ####

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 3]

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70]: /images/20211015/247c7ee115a54a41bede3214c79656c7.png
[20190814170815604.png]: /images/20211015/e22484e377784bdea19632935ee4e63f.png
[2019081417195029.png]: /images/20211015/d1cc54ef37264813b37d60755d08a1f2.png
[20190814172010489.png]: /images/20211015/00c386fb940644ff80f567aab7316385.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 1]: /images/20211015/1108ef898c6e4437ad021ba09e7bac08.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 2]: /images/20211015/ac4bbb35e00745c39ab07d3424d16f60.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3dlaXhpbl8zODYzMjI0Ng_size_16_color_FFFFFF_t_70 3]: /images/20211015/a08d3a3e53bb4705b1ab7f17d7169388.png