注意
转到结尾 下载完整的示例代码。或者通过 Binder 在浏览器中运行此示例
随机游走分割#
随机游走算法 [1] 根据一组标记（2 个或更多）来确定图像的分割，这些标记标记了多个阶段。在标记位置启动的示踪剂将求解各向异性扩散方程。如果相邻像素具有相似的值，则局部扩散系数会更大，因此在高梯度处扩散会更加困难。每个未知像素的标签将被分配给已知标记的标签，在该扩散过程中，该已知标记最有可能首先被到达。
在此示例中，可以清楚地看到两个阶段，但是数据过于嘈杂，无法仅从直方图中执行分割。我们从灰度值的直方图的极端尾部确定两个阶段的标记，并使用随机游走进行分割。
import numpy as np
import matplotlib.pyplot as plt
from skimage.segmentation import random_walker
from skimage.data import binary_blobs
from skimage.exposure import rescale_intensity
import skimage
rng = np.random.default_rng()
# Generate noisy synthetic data
data = skimage.img_as_float(binary_blobs(length=128, rng=1))
sigma = 0.35
data += rng.normal(loc=0, scale=sigma, size=data.shape)
data = rescale_intensity(data, in_range=(-sigma, 1 + sigma), out_range=(-1, 1))
# 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)
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')
ax1.axis('off')
ax1.set_title('Noisy data')
ax2.imshow(markers, cmap='magma')
ax2.axis('off')
ax2.set_title('Markers')
ax3.imshow(labels, cmap='gray')
ax3.axis('off')
ax3.set_title('Segmentation')
fig.tight_layout()
plt.show()
脚本的总运行时间：（0 分钟 0.389 秒）
