11.1. 图像分割

图像分割是指标记图像中感兴趣的物体的像素的任务。

在本教程中，我们将看到如何从背景中分割物体。我们使用来自 skimage.data.coins() 的图像。此图像显示了几个轮廓呈现在较暗背景上的硬币。硬币的分割不能直接从灰度值的直方图完成，因为背景与硬币共享足够的灰度级，因此阈值分割是不够的。

>>> from skimage.exposure import histogram
>>> coins = ski.data.coins()
>>> hist, hist_centers = ski.exposure.histogram(coins)

简单地对图像进行阈值处理要么导致丢失硬币的显著部分，要么导致将背景的部分与硬币合并。这是由于图像的不均匀照明造成的。

第一个想法是利用局部对比度，即使用梯度而不是灰度值。

11.1.1. 基于边缘的分割

让我们首先尝试检测包围硬币的边缘。对于边缘检测，我们使用 Canny 检测器，来自 skimage.feature.canny()。

>>> edges = ski.feature.canny(coins / 255.)

由于背景非常平滑，几乎所有的边缘都位于硬币的边界或硬币内部。

>>> import scipy as sp
>>> fill_coins = sp.ndimage.binary_fill_holes(edges)

现在我们有了描绘硬币外边界的轮廓，我们使用 scipy.ndimage.binary_fill_holes() 函数填充硬币的内部，该函数使用数学形态学来填充孔洞。

大多数硬币都很好地从背景中分割出来。使用 ndi.label 函数可以很容易地去除背景中的小物体，以去除小于某个小阈值的物体。

>>> label_objects, nb_labels = sp.ndimage.label(fill_coins)
>>> sizes = np.bincount(label_objects.ravel())
>>> mask_sizes = sizes > 20
>>> mask_sizes[0] = 0
>>> coins_cleaned = mask_sizes[label_objects]

但是，分割效果不是很令人满意，因为其中一枚硬币根本没有被正确分割。原因是我们在 Canny 检测器中得到的轮廓没有完全闭合，因此填充函数没有填充硬币的内部。

因此，这种分割方法不是很稳健：如果我们错过物体轮廓的单个像素，我们将无法填充它。当然，我们可以尝试扩张轮廓以闭合它们。但是，最好尝试一种更稳健的方法。

11.1.2. 基于区域的分割

让我们首先确定硬币和背景的标记。这些标记是可以明确标记为物体或背景的像素。这里，标记位于灰度值直方图的两个极端部分。

>>> markers = np.zeros_like(coins)
>>> markers[coins < 30] = 1
>>> markers[coins > 150] = 2

我们将在分水岭分割中使用这些标记。分水岭这个名称来自与水文学的类比。分水岭变换 从标记开始淹没高程图像，以确定这些标记的汇水盆地。分水岭线分隔这些汇水盆地，并对应于所需的分割。

高程图的选择对于良好的分割至关重要。在这里，梯度的幅度提供了良好的高程图。我们使用 Sobel 算子来计算梯度的幅度。

>>> elevation_map = ski.filters.sobel(coins)

从下面显示的 3-D 曲面图中，我们可以看到高障碍有效地将硬币与背景分离。

这是相应的 2-D 图

下一步是基于灰度值直方图的极端部分找到背景和硬币的标记。

>>> markers = np.zeros_like(coins)
>>> markers[coins < 30] = 1
>>> markers[coins > 150] = 2

现在让我们计算分水岭变换。

>>> segmentation = ski.segmentation.watershed(elevation_map, markers)

使用这种方法，所有硬币的结果都令人满意。即使背景的标记分布不佳，高程图中的障碍也足够高，可以使这些标记淹没整个背景。

我们用数学形态学去除一些小孔。

>>> segmentation = sp.ndimage.binary_fill_holes(segmentation - 1)

我们现在可以使用 ndi.label 逐个标记所有硬币。

>>> labeled_coins, _ = sp.ndimage.label(segmentation)