第八章 图像分割

翻到教材234面，完成实验五：图像分割

实验目的和要求

1. 理解图像分割的目的和思想
2. 理解并掌握灰度图像分割的几种经典方法
3. 理解影响灰度图像分割的因素以相关解决方法

1. 图像分割实验

前言

实验内容

1. 阅读并完善程序，要求采用迭代算法获得阈值，并进行图像阈值分割，效果如实验图14所示。

实验图14

示例代码如下，注意空白代码区域，需要你自己补充 👇

# 迭代法求阈值
import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像（改为绝对路径更可靠）
img = cv2.imread(r'./img/paopao.jpg', 0)

# 图像预处理：将BGR转换为RGB以便matplotlib正确显示
img_rgb = cv2.cvtColor(img, cv2.COLOR_BGR2RGB)

# 初始化变量
G1 = np.zeros(img.shape, np.uint8)  # 存储低于阈值的部分
G2 = np.zeros(img.shape, np.uint8)  # 存储高于阈值的部分
T1 = np.mean(img)  # 初始阈值为图像平均灰度
diff = 255         # 初始阈值差异
T0 = 0.01          # 最小阈值差异阈值

# 迭代过程
while diff > T0:
    # 双阈值分割（反向操作）
    _, G1 = cv2.threshold(img, T1, 255, cv2.THRESH_TOZERO_INV)
    _, G2 = cv2.threshold(img, T1, 255, cv2.THRESH_TOZERO)
    
    # 计算非零区域的平均灰度
    loc1 = np.where(G1 > 0.001)
    loc2 =  这里填什么？
    
    # 安全计算均值（避免空数组）
    ave1 = np.mean(img[loc1]) if len(loc1[0]) > 0 else 0
    ave2 = 这里填什么？
    # 更新阈值
    T2 = 这里填什么？
    diff = 这里填什么？
    # 准备下一次迭代
    T1 = T2

# 最终二值化结果
_, img_result = cv2.threshold(img, T1, 255, cv2.THRESH_BINARY)

# ========== 可视化结果 ==========
plt.figure(figsize=(15, 10))

# 1. 原始图像
plt.subplot(1, 2, 1)
plt.imshow(img_rgb)
plt.title('Original Image')
plt.axis('off')

# 2. 阈值分割结果
plt.subplot(1, 2, 2)
plt.imshow(img_result, cmap='gray')
plt.title(f'Binary Result (T={T1:.2f})')
plt.axis('off')

2. 噪声会影响图像分割的效果，一个简单的处理方法是对含噪图像先进行平滑滤游再进行分制。编程先给输入图像添加高斯噪声，然后对图像进行平滑后，再用OTSU算法对图像进行國值分割，比较图像平滑和没有平滑的图像分割效果，程序运行效果如实验图所示。

提示:
(1)添加噪声的代码:

img_noisy = np.uint8(img+0.8*img.std()* np.random.standard_normal(img.shape))

(2) 计算直方图函数：

def histogram(image):
    (row, col) = image.shape
    #创建长度为256的list
    hist = [0]*256
    for i in range(row):
        for j in range(col):
            hist[image[i,j]] += 1
    return hist

image

3. 使用 OpenCV 工具包中的 adaptiveThreshold()函数对实验图 16a进行自适应阈值分割调整参数，实现较好的分割效果，

image

注意： 实验中要用到的资源 学习通的 第二种资源 文件夹下的 img包下面有，参考代码，在线讲义中有