第Python如何對圖像補全并分割成多塊補丁目錄題目思路代碼效果展示圖像分割方法總結1、閾值分割2、邊界分割（邊緣檢測）3、區(qū)域分割（區(qū)域生成）4、SVM分割（支持向量機）5、分水嶺分割6、Kmeans分割

題目

編寫一個程序，按照輸入的寬高，將測試圖像分割成多個補丁塊，超出圖像邊界的部分用黑色像素補齊

思路

按照輸入的寬高，先判斷原始圖像與其取模是否為零，判斷需不需要進行圖像填充

如果需要進行圖像填充，先計算出新圖像的寬和高（（整除后+1）*指定寬高），然后新建一張全黑圖像，將原圖像默認為左上角位置粘貼進去

最后進行圖像裁剪，使用兩層for循環(huán)，步長設定為補丁的寬高，使用crop函數(shù)，指定補丁圖片的左、上、右、下坐標

代碼

importnumpyasnp

fromPILimportImage

#判斷是否需要進行圖像填充

defjudge(img,wi,he):

width,height=img.size

#默認新圖像尺寸初始化為原圖像

new_width,new_height=img.size

ifwidth%wi!=0:

new_width=(width//wi+1)*wi

ifheight%he!=0:

new_height=(height//he+1)*he

#新建一張新尺寸的全黑圖像

new_image=Image.new('RGB',(new_width,new_height),(0,0,0))

#將原圖像粘貼在new_image上，默認為左上角坐標對應

new_image.paste(img,box=None,mask=None)

new_image.show()

returnnew_image

#按照指定尺寸進行圖片裁剪

defcrop_image(image,patch_w,patch_h):

width,height=image.size

#補丁計數(shù)

cnt=0

forwinrange(0,width,patch_w):

forhinrange(0,height,patch_h):

cnt+=1

#指定原圖片的左、上、右、下

img=image.crop((w,h,w+patch_w,h+patch_h))

img.save("dog-%d.jpg"%cnt)

print("圖片補丁裁剪結束，共有{}張補丁".format(cnt))

defmain():

image_path="dog.jpg"

img=Image.open(image_path)

#查看圖像形狀

print("原始圖像形狀{}".format(np.array(img).shape))

#輸入指定的補丁寬高

print("輸入補丁寬高：")

wi,he=map(int,input().split(""))

#進行圖像填充

new_image=judge(img,wi,he)

#圖片補丁裁剪

crop_image(new_image,wi,he)

if__name__=='__main__':

main()

效果展示

原圖像使用了黑色像素填充

圖像裁剪，分割成小補丁

圖像分割方法總結

圖像分割是一種常用的圖像處理方法，可分為傳統(tǒng)方法和深度學習的方法。深度學習的方法比如：maskrcnn這類實例分割模型，效果比傳統(tǒng)的圖像分割方法要好的多，所以目前圖像分割領域都是用深度學習來做的。但是深度學習也有它的缺點，模型大、推理速度慢、可解釋性差、訓練數(shù)據(jù)要求高等。本文在這里僅討論傳統(tǒng)的圖像分割算法，可供學習和使用。

1、閾值分割

最簡單的圖像分割算法，只直接按照像素值進行分割，雖然簡單，但是在一些像素差別較大的場景中表現(xiàn)不錯，是一種簡單而且穩(wěn)定的算法。

defthresholdSegment(filename):

gray=cv2.imread(filename,cv2.IMREAD_GRAYSCALE)

ret1,th1=cv2.threshold(gray,127,255,cv2.THRESH_BINARY)

th2=cv2.adaptiveThreshold(

gray,255,cv2.ADAPTIVE_THRESH_MEAN_C,cv2.THRESH_BINARY,11,2)

th3=cv2.adaptiveThreshold(

gray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,cv2.THRESH_BINARY,11,2)

ret2,th4=cv2.threshold(gray,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

images=[th1,th2,th4,th3]

imgaesTitle=['THRESH_BINARY','THRESH_MEAN',

'THRESH_OTSU','THRESH_GAUSSIAN']

plt.figure()

foriinrange(4):

plt.subplot(2,2,i+1)

plt.imshow(images[i],'gray')

plt.title(imgaesTitle[i])

cv2.imwrite(imgaesTitle[i]+'.jpg',images[i])

plt.show()

cv2.waitKey(0)

returnimages

2、邊界分割（邊緣檢測）

defedgeSegmentation(filename):

#讀取圖片

img=cv2.imread(filename)

#灰度化

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

#高斯模糊處理:去噪(效果最好)

blur=cv2.GaussianBlur(gray,(9,9),0)

#Sobel計算XY方向梯度

gradX=cv2.Sobel(gray,ddepth=cv2.CV_32F,dx=1,dy=0)

gradY=cv2.Sobel(gray,ddepth=cv2.CV_32F,dx=0,dy=1)

#計算梯度差

gradient=cv2.subtract(gradX,gradY)

#絕對值

gradient=cv2.convertScaleAbs(gradient)

#高斯模糊處理:去噪(效果最好)

blured=cv2.GaussianBlur(gradient,(9,9),0)

#二值化

_,dst=cv2.threshold(blured,90,255,cv2.THRESH_BINARY)

#滑動窗口

kernel=cv2.getStructuringElement(cv2.MORPH_ELLIPSE,(107,76))

#形態(tài)學處理:形態(tài)閉處理(腐蝕)

closed=cv2.morphologyEx(dst,cv2.MORPH_CLOSE,kernel)

#腐蝕與膨脹迭代

closed=cv2.erode(closed,None,iterations=4)

closed=cv2.dilate(closed,None,iterations=4)

#獲取輪廓

_,cnts,_=cv2.findContours(

closed.copy(),cv2.RETR_LIST,cv2.CHAIN_APPROX_SIMPLE)

c=sorted(cnts,key=cv2.contourArea,reverse=True)[0]

rect=cv2.minAreaRect(c)

box=0(cv2.boxPoints(rect))

draw_img=cv2.drawContours(img.copy(),[box],-1,(0,0,255),3)

#cv2.imshow("Box",draw_img)

#cv2.imwrite('./test/monkey.png',draw_img)

images=[blured,dst,closed,draw_img]

imgaesTitle=['blured','dst','closed','draw_img']

plt.figure()

foriinrange(4):

plt.subplot(2,2,i+1)

plt.imshow(images[i],'gray')

plt.title(imgaesTitle[i])

#cv2.imwrite(imgaesTitle[i]+'.jpg',images[i])

plt.show()

cv2.waitKey(0)

3、區(qū)域分割（區(qū)域生成）

defregionSegmentation(filename):

#讀取圖片

img=cv2.imread(filename)

#圖片寬度

img_x=img.shape[1]

#圖片高度

img_y=img.shape[0]

#分割的矩形區(qū)域

rect=(0,0,img_x-1,img_y-1)

#背景模式,必須為1行,13x5列

bgModel=np.zeros((1,65),np.float64)

#前景模式,必須為1行,13x5列

fgModel=np.zeros((1,65),np.float64)

#圖像掩模,取值有0,1,2,3

mask=np.zeros(img.shape[:2],np.uint8)

#grabCut處理,GC_INIT_WITH_RECT模式

cv2.grabCut(img,mask,rect,bgModel,fgModel,4,cv2.GC_INIT_WITH_RECT)

#grabCut處理,GC_INIT_WITH_MASK模式

#cv2.grabCut(img,mask,rect,bgModel,fgModel,4,cv2.GC_INIT_WITH_MASK)

#將背景0,2設成0,其余設成1

mask2=np.where((mask==2)|(mask==0),0,1).astype('uint8')

#重新計算圖像著色,對應元素相乘

img=img*mask2[:,:,np.newaxis]

cv2.imshow("Result",img)

cv2.waitKey(0)

4、SVM分割（支持向量機）

defsvmSegment(pic):

img=Image.open(pic)

img.show()

#顯示原始圖像

img_arr=np.asarray(img,np.float64)

#選取圖像上的關鍵點RGB值(10個)

lake_RGB=np.array(

[[147,168,125],[151,173,124],[143,159,112],[150,168,126],[146,165,120],

[145,161,116],[150,171,130],[146,112,137],[149,169,120],[144,160,111]])

#選取待分割目標上的關鍵點RGB值(10個)

duck_RGB=np.array(

[[81,76,82],[212,202,193],[177,159,157],[129,112,105],[167,147,136],

[237,207,145],[226,207,192],[95,81,68],[198,216,218],[197,180,128]])

RGB_arr=np.concatenate((lake_RGB,duck_RGB),axis=0)

#按列拼接

#lake用0標記，duck用1標記

label=np.append(np.zeros(lake_RGB.shape[0]),np.ones(duck_RGB.shape[0]))

#原本img_arr形狀為(m,n,k),現(xiàn)在轉化為(m*n,k)

img_reshape=img_arr.reshape(

[img_arr.shape[0]*img_arr.shape[1],img_arr.shape[2]])

svc=SVC(kernel='poly',degree=3)

#使用多項式核，次數(shù)為3

svc.fit(RGB_arr,label)

#SVM訓練樣本

predict=svc.predict(img_reshape)

#預測測試點

lake_bool=predict==0.

lake_bool=lake_bool[:,np.newaxis]

#增加一列(一維變二維)

lake_bool_3col=np.concatenate(

(lake_bool,lake_bool,lake_bool),axis=1)

#變?yōu)槿?/p>

lake_bool_3d=lake_bool_3col.reshape(

(img_arr.shape[0],img_arr.shape[1],img_arr.shape[2]))

#變回三維數(shù)組(邏輯數(shù)組)

img_arr[lake_bool_3d]=255.

img_split=Image.fromarray(img_arr.astype('uint8'))

#數(shù)組轉image

img_split.show()

#顯示分割之后的圖像

img_split.save('split_duck.jpg')

#保存

5、分水嶺分割

defwatershedSegment(filename):

img=cv2.imread(filename)

gray=cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

ret,thresh=cv2.threshold(gray,0,255,cv2.THRESH_BINARY_INV+cv2.THRESH_OTSU)

#noiseremoval

kernel=np.ones((3,3),np.uint8)

opening=cv2.morphologyEx(thresh,cv2.MORPH_OPEN,kernel,iterations=2)

#surebackgroundarea

sure_bg=cv2.dilate(opening,kernel,iterations=3)

#Findingsureforegroundarea

dist_transform=cv2.distanceTransform(opening,cv2.DIST_L2,5)

ret,sure_fg=cv2.threshold(dist_transform,0.7*dist_transform.max(),255,0)

#Findingunknownregion

sure_fg=np.uint8(sure_fg)

unknown=cv2.subtract(sure_bg,sure_fg)

#Markerlabelling

ret,markers=cv2.connectedComponents(sure_fg)

#Addonetoalllabelssothatsurebackgroundisnot0,but1

markers=markers+1

#Now,marktheregionofunknownwithzero

markers[unknown==255]=0

markers=cv2.watershed(img,markers)

i