图像分割1

# 在绘图中显示中文字体，而非乱码
from pylab import mpl
mpl.rcParams["font.sans-serif"] = ["SimHei"]
# 在绘图中显示中文字体，而非乱码
from pylab import mpl
mpl.rcParams["font.sans-serif"] = ["SimHei"]

任选两种本章学过的算法（边缘检测或图像分割算法均可），对一张图像进行分割或边缘检测，并简要叙述算法原理、优缺点和实验发现。

#算法一  边缘检测
img =cv2.imread(图片路径, cv2.IMREAD_GRAYSCALE)
plt.subplot(1, 1, 1)
plt.imshow(img, 'gray')
plt.title("原图")
plt.xticks([])
plt.yticks([])
plt.show()
kernel_lp = np.array([[0,-1,0], [-1,4,-1], [0,-1,0]]) 
kernel_lp3 = np.array([[0,-1,0], [-1,4,-1], [0,-1,0], [8,-1,4], [6,-1,1]])   
kernel_LoG = np.array([[-2,-4,-4,-4,-2], [-4,0,8,0,-4], [-4,8,24,8,-4], [-4,0,8,0,-4], [-2,-4,-4,-4,-2]])
filtered_lp = cv2.filter2D(img, cv2.CV_16S, kernel_lp)
lp_img = cv2.convertScaleAbs(filtered_lp)
filtered_lp1 = cv2.Laplacian(img, cv2.CV_16S, ksize=3)
lp_img1 = cv2.convertScaleAbs(filtered_lp1)
filtered_LoG = cv2.filter2D(img, cv2.CV_16S, kernel_LoG)
LoG_img = cv2.convertScaleAbs(filtered_LoG)
title_list = ["拉普拉斯算子-3",  "拉普拉斯算子（调包-3）", "LoG算子"]
img_list = [lp_img,lp_img1,LoG_img]
for i in range(3):
    plt.subplot(3, 1, i+1)
    plt.imshow(img_list[i], 'gray')
    plt.title(title_list[i])
    plt.xticks([])
    plt.yticks([])
plt.show()

#算法二  图像分割算法  
img =cv2.imread(r"C:\Users\zhang\Desktop\IMG_20230409_131124.jpg", cv2.IMREAD_GRAYSCALE)
plt.subplot(2,2,1), plt.imshow(img, 'gray'), plt.title('原始图像'), plt.xticks([]), plt.yticks([])
plt.subplot(2,2,2), plt.hist(img.ravel(), 256, [0, 256])
plt.title('直方图'), plt.xlim([0, 256])
zmin = np.min(img)
zmax = np.max(img)
T0 = int((zmin + zmax) / 2)
eps = 1
while True:
    mu0 = img[img < T0].mean()
    mu1 = img[img > T0].mean()
    T1 = (mu0 + mu1) / 2
    if abs(T1 - T0) < eps:
        break
    T0 = T1
T0 = int(T0)
_, img_seg_diedai = cv2.threshold(img, T0, 255, 0)
plt.subplot(2,2,3), plt.imshow(img_seg_diedai, 'gray'), plt.title('迭代法'), plt.xticks([]), plt.yticks([])
thres, img_seg_otsu = cv2.threshold(img, 0, 255, cv2.THRESH_OTSU)
plt.subplot(2,2,4), plt.imshow(img_seg_otsu, 'gray'), plt.title('大津法'), plt.xticks([]), plt.yticks([])
plt.show()

二阶导数边界检测：

二阶导数利用过零点来检测边界。

过零点检测步骤：假设滤波后图像为g(x,y)

（1）取出以p为中心的一个3*3邻域，p在左/右、上/下和两个对角方向中某一方向的邻域像素二阶导数值符号不同。

（2）g(x,y)在某一个方向的邻域像素响应值差的绝对值超过一个阈值，则说明该点是一个过零点。

二阶导数边界检测算子：

（1）拉普拉斯算子，具备各向同性的性质。

由于其无方向，故只需一个模板就可以进行边界检测。

对于阶跃型边界定位较为准确，但对噪声的敏感性较强，容易造成不连续的边界检测。

（2）LoG算子：拉普拉斯算子的改进，通常采用拉普拉斯-高斯算子（LoG）先进行图像滤波，抑制噪声， 然后对滤波图像计算二阶导数，以提高边界检测能力。

优缺点：

1.拉普拉斯算子：

优点：计算简单，对边缘的响应强烈。

缺点：对噪声敏感，可能会产生虚假边缘。

2.高斯拉普拉斯算子：

优点：通过高斯平滑减少噪声影响，边缘检测更准确。

缺点：计算复杂度较高，对参数（如σ）的选择敏感。

发现：

在噪声较多的图像中，拉普拉斯算子会产生许多虚假边缘。而高斯拉普拉斯算子在平滑图像的同时检测边缘，效果通常比拉普拉斯算子更好，尤其是在噪声较多的情况下。选择合适的σ值对高斯拉普拉斯算子的性能有很大影响。

迭代阈值法：

根据当前阈值，通过某种规则估算一个更优的阈值，重复执行该过程，直到相邻两次的阈值差小于某个指定的参数，此时认为算法收敛，否则继续迭代。

（1）估计初始阈值。

（2）阈值将图像灰度值分成2类，大于阈值的灰度值组成，小于阈值的灰度值组成，分别计算和的灰度均值和。

（3）计算和的平均值

。

（4）如果大于某个预定义的参数，则将赋予，执行第(2)步；否则，算法收敛，采用阈值分割图像。

当目标和背景呈现双峰分布时，迭代阈值法一般会得到好的分割结果。

通常将图像中最小灰度值和最大灰度值的平均值作为初始阈值。

Otsu阈值法：

Otsu阈值法认为最优的阈值应使得分割后的两类（前景和背景）的类间方差最大。

优缺点：

迭代阈值法：

优点：自适应性强，不需要人为选择阈值。

缺点：对于直方图双峰不明显的图像，效果可能不佳；计算量较大，速度较慢。

Otsu阈值法：

优点：自动性强，计算效率高，适用于全局阈值。

缺点：对于光照不均匀或噪声干扰大的图像，效果可能不佳。