セグメンテーションは、オブジェクト、形狀、または色に基づいて畫像を意味のある部分に分割することを可能にする畫像分析の基本的な手法です。これは、物體検出、コンピューター ビジョン、さらには蕓術(shù)的な畫像操作などのアプリケーションにおいて極めて重要な役割を果たします。しかし、セグメンテーションを効果的に達(dá)成するにはどうすればよいでしょうか?幸いなことに、OpenCV (cv2) は、セグメンテーションのためのユーザーフレンドリーで強(qiáng)力な方法をいくつか提供しています。

このチュートリアルでは、次の 3 つの一般的なセグメンテーション手法を検討します。

• Canny Edge Detection – オブジェクトの輪郭を描くのに最適です。
• Watershed アルゴリズム – 重なり合う領(lǐng)域を分離するのに最適です。
• K-Means カラー セグメンテーション – 畫像內(nèi)の類似した色のクラスタリングに最適です。

このチュートリアルを魅力的で実踐的なものにするために、古代の古墳に焦點を當(dāng)てた大阪の衛(wèi)星畫像と航空寫真を使用します。これらのイメージと対応するサンプル ノートブックは、チュートリアルの GitHub ページからダウンロードできます。

Canny エッジ検出による輪郭セグメンテーション

Canny Edge Detection は、畫像內(nèi)のエッジを識別する簡単かつ強(qiáng)力な方法です。これは、オブジェクトの境界であることが多い、強(qiáng)度が急速に変化する領(lǐng)域を検出することによって機(jī)能します。この手法では、強(qiáng)度のしきい値を適用することで「細(xì)いエッジ」の輪郭を生成します。 OpenCV を使用した実裝を見てみましょう。

例: 衛(wèi)星畫像內(nèi)のエッジの検出
ここでは、大阪、特に古墳の衛(wèi)星畫像をテストケースとして使用します。

import cv2 
import numpy as np
import matplotlib.pyplot as plt
files = sorted(glob("SAT*.png")) #Get png files 
print(len(files))
img=cv2.imread(files[0])
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)

#Stadard values 
min_val = 100
max_val = 200
# Apply Canny Edge Detection
edges = cv2.Canny(gray, min_val, max_val)
#edges = cv2.Canny(gray, min_val, max_val,apertureSize=5,L2gradient = True )
False
# Show the result
plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(cv2.cvtColor(use_image, cv2.COLOR_BGR2RGB))
plt.title('Original Image'), plt.axis('off')
plt.subplot(132), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image'), plt.axis('off')
plt.subplot(133), plt.imshow(edges, cmap='gray')
plt.title('Canny Edges'), plt.axis('off')
plt.show()

出力エッジは、古墳の一部とその他の対象領(lǐng)域の輪郭を明確に示します。ただし、鋭いしきい値処理により一部の領(lǐng)域が失われます。結(jié)果は、min_val と max_val の選択、および畫質(zhì)に大きく依存します。

エッジ検出を強(qiáng)化するには、畫像を前処理してピクセル強(qiáng)度を分散し、ノイズを低減します。これは、ヒストグラム等化 (cv2.equalizeHist()) とガウスぼかし (cv2.GaussianBlur()) を使用して実現(xiàn)できます。

use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
gray_og = gray.copy()
gray = cv2.equalizeHist(gray)
gray = cv2.GaussianBlur(gray, (9, 9),1)

plt.figure(figsize=(15, 5))
plt.subplot(121), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.subplot(122)
_= plt.hist(gray.ravel(), 256, [0,256],label="Equalized") 
_ = plt.hist(gray_og.ravel(), 256, [0,256],label="Original",histtype='step')
plt.legend()
plt.title('Grayscale Histogram')

この前処理により、強(qiáng)度分布が均一になり、畫像が滑らかになります。これにより、Canny Edge Detection アルゴリズムがより意味のあるエッジをキャプチャできるようになります。

エッジは便利ですが、境界を示すだけです。囲まれた領(lǐng)域をセグメント化するには、エッジを等高線に変換し、視覚化します。

# Edges to contours 
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# Calculate contour areas
areas = [cv2.contourArea(contour) for contour in contours]

# Normalize areas for the colormap
normalized_areas = np.array(areas)
if normalized_areas.max() > 0:
    normalized_areas = normalized_areas / normalized_areas.max()

# Create a colormap
cmap = plt.cm.jet

# Plot the contours with the color map
plt.figure(figsize=(10, 10))
plt.subplot(1,2,1)
plt.imshow(gray, cmap='gray', alpha=0.5)  # Display the grayscale image in the background
mask = np.zeros_like(use_image)
for contour, norm_area in zip(contours, normalized_areas):
    color = cmap(norm_area)  # Map the normalized area to a color
    color = [int(c*255) for c in color[:3]]
    cv2.drawContours(mask, [contour], -1, color,-1 )  # Draw contours on the image

plt.subplot(1,2,2)

上記の方法は、検出された輪郭をその相対的な領(lǐng)域を表す色で強(qiáng)調(diào)表示します。この視覚化は、等高線が閉じた體を形成しているのか、それとも単なる線を形成しているのかを確認(rèn)するのに役立ちます。ただし、この例では、多くの等高線が閉じていないポリゴンのままです。さらに前処理やパラメータ調(diào)整を行うことで、これらの制限に対処できる可能性があります。

前処理と輪郭分析を組み合わせることで、Canny Edge Detection は畫像內(nèi)のオブジェクトの境界を識別するための強(qiáng)力なツールになります。ただし、オブジェクトが明確に定義され、ノイズが最小限に抑えられている場合に最も効果的に機(jī)能します。次に、K 平均法クラスタリングを検討して、畫像を色ごとにセグメント化し、同じデータに対して異なる視點を提供します。

K平均クラスタリング

K-Means クラスタリングは、類似したアイテムをクラスターにグループ化するためのデータ サイエンスの一般的な方法であり、色の類似性に基づいて畫像をセグメント化する場合に特に効果的です。 OpenCV の cv2.kmeans 関數(shù)はこのプロセスを簡素化し、オブジェクトのセグメンテーション、背景の削除、視覚分析などのタスクにアクセスできるようにします。

このセクションでは、K-Means クラスタリングを使用して、古墳畫像を類似した色の領(lǐng)域にセグメント化します。

まず、畫像の RGB 値に K-Means クラスタリングを適用し、各ピクセルをデータ ポイントとして扱います。

import cv2 
import numpy as np
import matplotlib.pyplot as plt
files = sorted(glob("SAT*.png")) #Get png files 
print(len(files))
img=cv2.imread(files[0])
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)

#Stadard values 
min_val = 100
max_val = 200
# Apply Canny Edge Detection
edges = cv2.Canny(gray, min_val, max_val)
#edges = cv2.Canny(gray, min_val, max_val,apertureSize=5,L2gradient = True )
False
# Show the result
plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(cv2.cvtColor(use_image, cv2.COLOR_BGR2RGB))
plt.title('Original Image'), plt.axis('off')
plt.subplot(132), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image'), plt.axis('off')
plt.subplot(133), plt.imshow(edges, cmap='gray')
plt.title('Canny Edges'), plt.axis('off')
plt.show()

分割された畫像では、古墳とその周囲の領(lǐng)域が個別の色でクラスター化されています。ただし、ノイズや色の小さな変化によりクラスターが斷片化され、解釈が困難になる可能性があります。

ノイズを低減し、より滑らかなクラスターを作成するには、K 平均法を?qū)g行する前に中央値ぼかしを適用できます。

use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
gray_og = gray.copy()
gray = cv2.equalizeHist(gray)
gray = cv2.GaussianBlur(gray, (9, 9),1)

plt.figure(figsize=(15, 5))
plt.subplot(121), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.subplot(122)
_= plt.hist(gray.ravel(), 256, [0,256],label="Equalized") 
_ = plt.hist(gray_og.ravel(), 256, [0,256],label="Original",histtype='step')
plt.legend()
plt.title('Grayscale Histogram')

畫像がぼやけると、クラスターがより滑らかになり、ノイズが減少し、セグメント化された領(lǐng)域が視覚的により一體になります。

セグメンテーションの結(jié)果をよりよく理解するために、matplotlib plt.fill_between;
を使用して、固有のクラスター色のカラー マップを作成できます。

# Edges to contours 
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# Calculate contour areas
areas = [cv2.contourArea(contour) for contour in contours]

# Normalize areas for the colormap
normalized_areas = np.array(areas)
if normalized_areas.max() > 0:
    normalized_areas = normalized_areas / normalized_areas.max()

# Create a colormap
cmap = plt.cm.jet

# Plot the contours with the color map
plt.figure(figsize=(10, 10))
plt.subplot(1,2,1)
plt.imshow(gray, cmap='gray', alpha=0.5)  # Display the grayscale image in the background
mask = np.zeros_like(use_image)
for contour, norm_area in zip(contours, normalized_areas):
    color = cmap(norm_area)  # Map the normalized area to a color
    color = [int(c*255) for c in color[:3]]
    cv2.drawContours(mask, [contour], -1, color,-1 )  # Draw contours on the image

plt.subplot(1,2,2)

この視覚化により、畫像內(nèi)の主要な色とそれに対応する RGB 値についての洞察が得られ、さらなる分析に役立ちます。カラーコードをマスクして領(lǐng)域を選択できるようになりました。

クラスターの數(shù) (K) は結(jié)果に大きな影響を與えます。 K を増やすとより詳細(xì)なセグメンテーションが作成され、値が低いとより広範(fàn)なグループ化が作成されます。実験するには、複數(shù)の K 値を反復(fù)処理します。

import cv2 
import numpy as np
import matplotlib.pyplot as plt
files = sorted(glob("SAT*.png")) #Get png files 
print(len(files))
img=cv2.imread(files[0])
use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)

#Stadard values 
min_val = 100
max_val = 200
# Apply Canny Edge Detection
edges = cv2.Canny(gray, min_val, max_val)
#edges = cv2.Canny(gray, min_val, max_val,apertureSize=5,L2gradient = True )
False
# Show the result
plt.figure(figsize=(15, 5))
plt.subplot(131), plt.imshow(cv2.cvtColor(use_image, cv2.COLOR_BGR2RGB))
plt.title('Original Image'), plt.axis('off')
plt.subplot(132), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image'), plt.axis('off')
plt.subplot(133), plt.imshow(edges, cmap='gray')
plt.title('Canny Edges'), plt.axis('off')
plt.show()

K のさまざまな値に対するクラスタリングの結(jié)果は、詳細(xì)と単純さの間のトレードオフを明らかにします。

?低い K 値 (例: 2-3): 明確な區(qū)別を持つ幅広いクラスターであり、高レベルのセグメンテーションに適しています。
?より高い K 値 (例: 12-15): より詳細(xì)なセグメンテーションですが、その代償として複雑さが増し、過剰セグメンテーションが発生する可能性があります。

K-Means クラスタリングは、色の類似性に基づいて畫像をセグメント化するための強(qiáng)力な手法です。適切な前処理ステップを使用すると、明確で意味のある領(lǐng)域が生成されます。ただし、そのパフォーマンスは、K の選択、入力畫像の品質(zhì)、および適用される前処理によって異なります。次に、地形特徴を使用してオブジェクトと領(lǐng)域の正確なセグメンテーションを?qū)g現(xiàn)する Watershed アルゴリズムについて説明します。

流域のセグメンテーション

集水域アルゴリズムは、集水域が流域を分割する地形図からインスピレーションを得ています。この方法では、グレースケールの強(qiáng)度値を標(biāo)高として扱い、効果的に「山」と「谷」を作成します。関心領(lǐng)域を識別することにより、アルゴリズムは正確な境界でオブジェクトをセグメント化できます。これは、重なり合うオブジェクトを分離するのに特に役立ち、細(xì)胞のセグメンテーション、オブジェクトの検出、密集したフィーチャの識別などの複雑なシナリオに最適です。

最初のステップは、特徴を強(qiáng)調(diào)するために畫像を前処理し、次に Watershed アルゴリズムを適用することです。

use_image= img[0:600,700:1300]
gray = cv2.cvtColor(use_image, cv2.COLOR_BGR2GRAY)
gray_og = gray.copy()
gray = cv2.equalizeHist(gray)
gray = cv2.GaussianBlur(gray, (9, 9),1)

plt.figure(figsize=(15, 5))
plt.subplot(121), plt.imshow(gray, cmap='gray')
plt.title('Grayscale Image')
plt.subplot(122)
_= plt.hist(gray.ravel(), 256, [0,256],label="Equalized") 
_ = plt.hist(gray_og.ravel(), 256, [0,256],label="Original",histtype='step')
plt.legend()
plt.title('Grayscale Histogram')

セグメント化された領(lǐng)域と境界は、中間処理ステップと一緒に視覚化できます。

# Edges to contours 
contours, hierarchy = cv2.findContours(edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
# Calculate contour areas
areas = [cv2.contourArea(contour) for contour in contours]

# Normalize areas for the colormap
normalized_areas = np.array(areas)
if normalized_areas.max() > 0:
    normalized_areas = normalized_areas / normalized_areas.max()

# Create a colormap
cmap = plt.cm.jet

# Plot the contours with the color map
plt.figure(figsize=(10, 10))
plt.subplot(1,2,1)
plt.imshow(gray, cmap='gray', alpha=0.5)  # Display the grayscale image in the background
mask = np.zeros_like(use_image)
for contour, norm_area in zip(contours, normalized_areas):
    color = cmap(norm_area)  # Map the normalized area to a color
    color = [int(c*255) for c in color[:3]]
    cv2.drawContours(mask, [contour], -1, color,-1 )  # Draw contours on the image

plt.subplot(1,2,2)

このアルゴリズムは、明確な領(lǐng)域を識別し、オブジェクトの周囲に明確な境界を描畫します。この例では、古墳が正確に分割されています。ただし、アルゴリズムのパフォーマンスは、しきい値処理、ノイズ除去、形態(tài)學(xué)的演算などの前処理ステップに大きく依存します。

ヒストグラム均等化や適応ぼかしなどの高度な前処理を追加すると、結(jié)果をさらに向上させることができます。例:

# Kmean color segmentation
use_image= img[0:600,700:1300]
#use_image = cv2.medianBlur(use_image, 15)


 # Reshape image for k-means
pixel_values = use_image.reshape((-1, 3)) if len(use_image.shape) == 3 else use_image.reshape((-1, 1))
pixel_values = np.float32(pixel_values)

criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10, 1.0)
K = 3
attempts=10
ret,label,center=cv2.kmeans(pixel_values,K,None,criteria,attempts,cv2.KMEANS_PP_CENTERS)

centers = np.uint8(center)
segmented_data = centers[label.flatten()]
segmented_image = segmented_data.reshape(use_image.shape)

plt.figure(figsize=(10, 6))
plt.subplot(1,2,1),plt.imshow(use_image[:,:,::-1])
plt.title("RGB View")
plt.subplot(1,2,2),plt.imshow(segmented_image[:,:,[2,1,0]])
plt.title(f"Kmean Segmented Image K={K}")

これらの調(diào)整により、より多くの領(lǐng)域を正確にセグメント化でき、ノイズアーティファクトを最小限に抑えることができます。

ウォーターシェッド アルゴリズムは、正確な境界線の描寫と重なり合うオブジェクトの分離が必要なシナリオに優(yōu)れています。前処理技術(shù)を活用することで、古墳地域のような複雑な畫像でも効果的に処理できます。ただし、その成功は慎重なパラメーターの調(diào)整と前処理にかかっています。

結(jié)論

セグメンテーションは畫像分析に不可欠なツールであり、畫像內(nèi)の個別の要素を分離して理解するための経路を提供します。このチュートリアルでは、Canny Edge Detection、K-Means Clustering、および Watershed Algorithm という 3 つの強(qiáng)力なセグメンテーション手法を説明し、それぞれが特定のアプリケーションに合わせて調(diào)整されました。大阪の古墳の輪郭を描くことから、都市景観をクラスタ化し、異なる地域を分離することまで、これらの手法は、現(xiàn)実世界の課題に取り組む際の OpenCV の多用途性を強(qiáng)調(diào)しています。

次に、そこにあるメソッドの一部を選択したアプリケーションに適用し、コメントして結(jié)果を共有します。また、他の簡単なセグメンテーション方法を知っている場合は、それも共有してください

以上が[Python-CVImage セグメンテーション : Canny Edges、Watershed、および K-Means メソッド]の詳細(xì)內(nèi)容です。詳細(xì)については、PHP 中國語 Web サイトの他の関連記事を參照してください。