11.1. 图像分割

图像分割的任务是标记图像中感兴趣对象的像素。

在本教程中，我们将了解如何从背景中分割对象。我们使用来自 skimage.data.coins() 的图像。此图像显示了几个在较暗背景上勾勒出的硬币。硬币的分割不能直接从灰度值直方图进行，因为背景与硬币共享足够的灰度级，以至于阈值分割是不够的。

>>> 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会导致要么丢失硬币的显着部分，要么将背景的一部分与硬币合并。这是由于图像的照明不均匀造成的。

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，它来自 skimage.feature.canny()

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

由于背景非常光滑，几乎所有边缘都在硬币的边界处或硬币内部找到。

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

现在我们有了勾勒出硬币外围边界的轮廓，我们使用 scipy.ndimage.binary_fill_holes() 函数填充硬币的内部部分，该函数使用数学形态学来填充孔洞。

大多数硬币都从背景中很好地分割出来。来自背景的小物体可以使用 ndi.label 函数轻松移除，以移除小于某个小阈值的对象。

>>> 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]

然而，分割并不令人满意，因为其中一个硬币根本没有被正确分割。原因是我们从 Canny 检测器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部分。

因此，这种分割方法并不十分稳健：如果我们错过了对象的轮廓的一个像素，我们就无法填充它。当然，我们可以尝试膨胀轮廓以闭合它们。但是，最好尝试更稳健的方法。

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。这些标记是我们能够明确地标记为对象或背景的像素。这里，标记在灰度值直方图的两个极端部分找到

>>> 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。分水岭这个名字来源于与水文学的类比。 分水岭变换 从标记开始淹没高程图像，以确定这些标记的集水区。分水岭线将这些集水区隔开，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。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 表面图中，我们看到高障碍物有效地将硬币与背景隔开。

这是相应的 2-D 图

下一步是根据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，结果对于所有硬币都令人满意。即使背景的标记没有很好地分布，高程图中的障碍物也足够高，以至于这些标记可以淹没整个背景。

我们使用数学形态学移除一些小孔

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

现在我们可以使用 ndi.label 一次一个地标记所有硬币

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