第十章图像分割

I= imread('jb.tif');    
imshow(I);
h=fspecial('sobel'); %h = fspecial(type) creates a two-dimensional filter h of the specified type. fspecial returns h as
                     %a correlation kernel, which is the appropriate form to use with imfilter. type is a string having one of these values. 
fd=double(I);%double使数据变成双精度
g=sqrt(imfilter(fd,h,'replicate').^2+imfilter(fd,h','replicate').^2);
figure;
imshow(g,[]);
g2=imclose(imopen(g,ones(3,3)),ones(3,3));%形态学开闭操作
figure;
imshow(g2,[]);
im=imextendedmin(g2,10);   %计算图像中的‘低点’集合
Lim=watershed(bwdist(im)); %watershed分水岭算法 Lim的值greater than or equal to 0，等于0是分水岭脊像素
em=Lim==0;%分水岭脊线
g3=imimposemin(g2,im|em);%使用形态重构修改强度图像g2，使得它在im|em非零的地方只有区域极小值
g4=watershed(g3);
figure;
imshow(g4,[]);
g5=I;
g5(g4==0)=255;
figure;
imshow(g5);

close all;


%%
%Step 1: 彩色图像->灰度图像
rgb = imread('rice.tif');
%I = rgb2gray(rgb);
figure;subplot(121)
imshow(I)
%Step 2: 利用梯度实现图像的分割
%使用sobel算子进行边缘检测，
text(732,501,'Image courtesy of Corel','FontSize',7,'HorizontalAlignment','right')
hy = fspecial('sobel');
hx = hy';
Iy = imfilter(double(I), hy, 'replicate');%实现线性空间滤波函数，一种采用滤波处理的影像增强方法。其理论基础是空间卷积和空间相关。目的是改善影像质量，包括去除高频噪声与干扰，及影像边缘增强、线性增强以及去模糊等。
Ix = imfilter(double(I), hx, 'replicate');
gradmag = sqrt(Ix.^2 + Iy.^2);%求模
subplot(122), imshow(gradmag,[]), title('gradmag')
%直接用分水岭
%L=watershed(gradmag);
%Lrgb=label2rgb(L);
%figure;imshow(Lrgb),
%title('Lrgb')
%No. 如果没有额外的预处理，如下面的标记计算，使用分水岭变换直接结果往往是“过度分割。” 
% 以下是标记前景和背景物体
%各种程序可以在这里应用到找到前景标记，它必须连接内的每个前景对象的像素的斑点。在这个例子中，你将使用名为“开放由重建”及以上的图像“闭合由重建”为“干净”的形态学技术。这些操作将创建一个可以使用imregionalmax位于每个对象内部平最大值。
%Step 3：形态学开操作
se = strel('disk', 20);%圆形结构元素
Io = imopen(I, se);%形态学开操作
figure;subplot(121)
imshow(Io), title('Io')%显示执行后的图
%Step 4：腐蚀与重建
Ie = imerode(I, se);%对图像进行腐蚀
Iobr = imreconstruct(Ie, I);%对图像进行重建
subplot(122);imshow(Iobr), %显示重建后的图像
title('Iobr')
%Step 5：形态学关操作
Ioc = imclose(Io, se);%形态学关操作
figure;subplot(121)
imshow(Ioc), 
title('Ioc')
%Step 6：图像膨胀与求反
Iobrd = imdilate(Iobr, se);%对图像进行膨胀
Iobrcbr = imreconstruct(imcomplement(Iobrd), imcomplement(Iobr));
Iobrcbr = imcomplement(Iobrcbr);%对图像求反
subplot(122);imshow(Iobrcbr), 
title('Iobrcbr')
%%Step 7：获得局部最大值
fgm = imregionalmax(Iobrcbr);%获得局部最大值
figure;imshow(fgm), 
title('fgm')
%Step 8：在原图上显示极大值区域
I2 = I;
I2(fgm) = 255;%局部极大值处像素值设为255
figure;imshow(I2), 
title('fgm superimposed on original image')%在原图上显示极大值区域
se2 = strel(ones(5,5));%构建元素
fgm2 = imclose(fgm, se2);%关操作
fgm3 = imerode(fgm2, se2);%腐蚀
fgm4 = bwareaopen(fgm3, 20);%开操作
%Step 9：显示修改后的极大区域
I3 = I;
I3(fgm4) = 255;%前景设置为255
figure;subplot(121),
imshow(I3)%显示修改后的极大区域
title('fgm4 superimposed on original image')
%现在标记背景， 在清理后的图像，Iobrcbr，暗像素属于背景，所以你可以从一个阈值操作。
%Step 10：转化为二值图像
bw = im2bw(Iobrcbr, graythresh(Iobrcbr));
subplot(122);imshow(bw),
title('bw')
%背景像素是黑色的，但理想地，我们不希望的背景标记是太靠近我们目标对象的边缘。我们通过'骨骼化'进行细分，对二值图像的距离进行分水岭变换，然后寻找分水岭的界线。
%Step 11：
D = bwdist(bw);%计算距离
DL = watershed(D);%分水岭变换
bgm = DL == 0;%求取分割边界
figure; imshow(bgm), %显示分割后的边界
title('Watershed ridge lines (bgm)')
gradmag2 = imimposemin(gradmag, bgm | fgm4);%置最小值
L = watershed(gradmag2);%分水岭变换
I4 = I;
I4(imdilate(L == 0, ones(3, 3)) | bgm | fgm4) = 255;%前景及边界处置255
figure; subplot(121)
imshow(I4)%突出前景及边界
title('Markers and object boundaries')
Lrgb = label2rgb(L, 'jet', 'w', 'shuffle');%转化为伪彩色图像
subplot(122); imshow(Lrgb)%显示伪彩色图像
title('Colored watershed label matrix')
figure; imshow(I), 
hold on
himage = imshow(Lrgb);%在原图上显示伪彩色图像
set(himage, 'AlphaData', 0.3);
title('Lrgb superimposed transparently on original image')

https://blog.csdn.net/u011583927/article/details/53413825

第十章 图像分割

猜你喜欢