【《齿轮缺陷检测系统的图像分割分析案例》2100字】

[14]。由数学层面来讲，主要是把数字图像细分为彼此未相交区域过程，又能视作标记过程，也就是把归属相同区域像素分配一个编号。1.2图像分割的方法1.2.1漫水填充法该方法主要以特定颜色填充算法处理连通区，在设定可连通像素上下限与具体方式基础上，实现各种填充效果。核心思路在于自动选取与种子点连通区域，将其更换为特定颜色，往往用于标记或分离出图像局部来处理，重点按照像素灰度值间差值寻找相同区域实现分割。该方法还能通过输入图像得到掩码区域，即仅仅分析特定像素点，或提高分析效率。掩膜Mask负责更准确调控待填充区域。漫水填充分割法主要分为以下三个步骤：（1）选择种子点(x,y)；（2）以种子点为中心，判断4邻域或者8邻域的像素值与种子点像素值的差值，将差值小于阈值的像素点添加进区域内。（3）将新加入的像素点作为新的种子点，反复执行第二步，直到没有新的像素点被添加进该区域。图4-1漫水填充分割前后的图像在OpenCV中函数实现漫水填充分割的方式如表3-7所示。表4-1漫水填充算法OpenCV函数的实现CV_EXPORTSintfloodFill(InputArrayimage,InputOutputArraymask,PointseedPoint,ScalarnewVal,CV_OUTRect*rect=0,ScalarloDiff=Scalar(),ScalarupDiff=Scalar(),intflags=4);image：要处理的图片,mask：8位单通道掩码,接受单通道或3通道，8位或浮点类型的图片,如果提供了Mask而且设置了FLOODFILL_MASK_ONLY的flag，输入图像才不会被修改，否则调用本方法填充的结果会修改到输入图像中seedPoint：填充算法的种子点，即起始点newVal：填充的颜色loDiff：最小的亮度或颜色的差值upDiff：最大的亮度或颜色的差值rect：可选的输出参数，返回一个最小的矩形，可以刚好把填充的连通域包起来flags：低八位[0-7]表示连通性，默认值4表示四领域填充，8表示八领域填充；[8-15]位表示用来填充mask的颜色值[1-255]默认是11.2.2K-means聚类算法K-means算法属于无监督分类，在实践操作过程中，需要采取相应方式衡量样本间相似度，经迭代更新聚类中心，若没有继续移动或移动差值低于阈值，那么把样本进行分类。其核心思想如下：随机确定得到当前聚类中心，通过所用衡量方式，完成各样本点分类，然后求出当前各类样本点均值，当成下次迭代聚类中心，并和当前聚类中心进行比较求出差值，若差值不超过预设迭代阈值，那么迭代终止。相反，返回当前聚类中心继续下一次迭代。图4-2K-means分割前后的图像在OpenCV中函数实现K-means分割的方式如表3-8所示。表4-2K-means聚类算法OpenCV函数的实现doublekmeans(InputArraydata,intK,InputOutputArraybestLabels,TermCriteriacriteria,intattempts,intflags,OutputArraycenters=noArray())data：待聚类原始数据集合，各行代表1个数据样本，各样本各列均为1个属性K：待聚类数量bestLabels：各样本的类标签，为整数，由0起索引整数criteria：迭代终止条件attempts：执行kmeans次数，选择结果最优一次当成最终聚类，搭配参数flages来用flags：聚类初始化条件1.2.3分水岭算法由传统方式来看，是基于拓扑理论的数学形态学分割算法，核心思路是将图像视为测地学方面拓扑地貌，内部各像素灰度值代表此点海拔，各局部极小值及对应覆盖区域叫做集水盆地，而边界位置会产生分水岭。分割阶段，直接将与邻近像素间相似性定义成关键依据，借此把空间位置上、灰度值均接近像素点互连组建为1个封闭轮廓。但这种算法基于梯度图像时，可能造成过分割问题，归根结底在于输入图像有着大量极小区域，形成了一系列较小集水盆地，造成分割后无法显现图像内感兴趣区域，因此需要围绕分割后相似区域出发，完成有效合并处理，从而消除问题。图4-3分水岭法分割前后的图像在OpenCV中函数实现K-means分割的方式如表3-9所示。表4-3分水岭算法OpenCV函数的实现voidwatershed(InputArrayimage,InputOutputArraymarkers);image：待处理图像，应当为1个8bit三通道彩图矩阵序列markers：8位单通道掩码在执行函数watershed前，需要完成参数markers处理，它需要含有各区域轮廓，各轮廓均存在1个唯一编号，轮廓的定位可以通过Opencv中findContours方法实现，这个是执行分水岭之前的要求。markers必须包含了种子点信息。markets创建主要有两种方式：手动选取和findContours1.2.4GrabCut算法GrabCut是基于图形切割的分割算法。GrabCut由待分段目标附近指定边界框起，通过GMM模型估计目标、背景颜色分布。这用于在像素标签上构造Markov随机字段，其能量函数更喜欢具有相同标签的连接区域，并运行基于图形剪切的优化估计其值。因为该值精度或许高于原始估计值，所以反复执行上述步骤，直到收敛。GrabCut运用图像内纹理、边界信息，仅仅较少用户交互处理，便能实现较高分割精度，可节省更多时间与精力。图4-4GrabCut分割前后的图像在OpenCV中函数实现GrabCut分割的方式如表3-10所示。表4-4GrabCut分割OpenCV函数的实现grabCut(InputArrayimage,InputOutputArraymask,Rectrect,InputOutputArraybgdModel,InputOutputArrayfgdModel,intiterCount,intmode=GC_EVAL);image：要处理的图片mask：8位单通道掩码rect：包含待分割目标的ROI区域。在该区域之外的像素被标记为"obv