俄羅斯：將審查iPhone等外國公司設(shè)備 保數(shù)據(jù)安全
iPhone和特斯拉都屬于在各自領(lǐng)域領(lǐng)頭羊的品牌，推出的產(chǎn)品也也都是數(shù)一數(shù)二的，但對于一些國家而言，它們的產(chǎn)品可靠性和安全性還是在限制范圍內(nèi)。近日，俄羅斯聯(lián)邦通信、信息技術(shù)
在本文中，我們將重點(diǎn)討論基于邊緣和基于區(qū)域的分割技術(shù)。在討論細(xì)節(jié)之前，我們需要了解細(xì)分它們分別是什么以及它們是如何工作的。
圖像分割是一種將數(shù)字圖像分割成各種圖像對象的技術(shù)。
區(qū)域中的每個像素(圖像對象)在某些屬性(如顏色、亮度、位置或紋理)上是相似的，這可以降低圖像的復(fù)雜性以便于分析。
在分割的幫助下，還可以從圖像中檢測隱藏信息。
分割算法基于圖像的兩個基本屬性:
在下圖中，我們有一張以椅子、桌子、窗戶等為特征的圖像。我們可以借助分割來分別獲取這些對象。中間的圖像有一張椅子、一張桌子和一個窗戶作為我們的分割圖像對象。在最右邊的圖像中，通過標(biāo)記圖像對象來使用實(shí)例分割。
隨著 Python 機(jī)器學(xué)習(xí)的到來，分割變得非常容易。
將一個圖像分割成不同的圖像對象，從中提取信息，然后進(jìn)行標(biāo)記，以訓(xùn)練各種機(jī)器學(xué)習(xí)模型來解決業(yè)務(wù)問題。
一個例子是在分割的幫助下自動標(biāo)記出勤的面部識別系統(tǒng)。
分割的另一個應(yīng)用是在醫(yī)學(xué)領(lǐng)域，在檢測到腫瘤、癌癥等嚴(yán)重疾病后進(jìn)行高效和快速的診斷。
圖像分割在機(jī)器人等領(lǐng)域也有巨大的應(yīng)用。
在這種方法中，區(qū)域的邊界彼此之間以及與背景之間的差異很大，允許基于強(qiáng)度（灰度級）的局部不連續(xù)性進(jìn)行邊界檢測。
換句話說，它是在圖像中定位邊緣的過程。這是理解圖像特征的非常重要的一步，因?yàn)槲覀冎肋吘売捎幸饬x的特征組成并且具有重要的信息。
這種方法包括根據(jù)一組特定的標(biāo)準(zhǔn)將圖像劃分為相似的區(qū)域。
基于區(qū)域的分割技術(shù)包括一種通過將圖像分割成具有相似像素特征的不同部分來進(jìn)行分割的算法。這種技術(shù)搜索輸入圖像中的小塊或大塊，以便進(jìn)行分割。
它將為選定的塊添加更多的像素，或者進(jìn)一步將塊點(diǎn)縮小為更小的段，并將它們與其他更小的塊點(diǎn)合并。因此，基于這種方法還有兩種基本的技術(shù): 區(qū)域生長和區(qū)域合并與分裂。
import numpy as npimport matplotlib.pyplot as pltfrom skimage import datacoins = data.coins()hist = np.histogram(coins, bins=np.arange(0, 256))fig, (ax1) = plt.subplots()ax1.imshow(coins, cmap=plt.cm.gray,interpolation='nearest')
from skimage.feature import cannyedges = canny(coins/255.)fig, ax = plt.subplots(figsize=(4, 3))ax.imshow(edges, cmap=plt.cm.gray, interpolation='nearest')ax.axis('off')ax.set_title('Canny detector')Text(0.5, 1.0, 'Canny detector')在該代碼中，我們使用了 canny 庫，這是一種流行的邊緣檢測算法來檢測輸入圖像的邊緣。
通過設(shè)置有效對象的最小大小，可以輕松去除小的虛假對象：
from scipy import ndimage as ndifill_coins = ndi.binary_fill_holes(edges)fig, ax = plt.subplots(figsize=(4, 3))ax.imshow(fill_coins, cmap=plt.cm.gray, interpolation='nearest')ax.axis('off')ax.set_title('Filling the holes')Text(0.5, 1.0, 'Filling the holes')
from skimage.filters import sobelelevation_map = sobel(coins)fig, ax = plt.subplots(figsize=(4, 3))ax.imshow(elevation_map, cmap=plt.cm.gray, interpolation='nearest')ax.axis('off')ax.set_title('elevation_map')Text(0.5, 1.0, 'elevation_map')這里，我們從 skimage.filters 中導(dǎo)入 sobel 模塊，它用于在輸入圖像中查找邊緣。
Sobel 變換還幫助我們找到輸入圖像中的垂直和水平邊緣。
本文通過 Python 實(shí)現(xiàn)，深入闡述了分割及其兩個重要技術(shù)(基于邊緣的分割和基于區(qū)域的分割)。
本文鏈接：http://www.www897cc.com/showinfo-26-25985-0.html使用 Python 的基于邊緣和基于區(qū)域的分割
聲明：本網(wǎng)頁內(nèi)容旨在傳播知識，若有侵權(quán)等問題請及時與本網(wǎng)聯(lián)系，我們將在第一時間刪除處理。郵件：2376512515@qq.com
下一篇： C語言結(jié)構(gòu)體用法詳解
Copyright ? 2016-2023 天津谷騏科技有限公司 版權(quán)所有 sitemap.xml
違法及侵權(quán)請聯(lián)系：2376512515@qq.com 津ICP備18001702號
津公網(wǎng)安備 12010102000574號