摘要：我是一名計(jì)算機(jī)工程專業(yè)的學(xué)生，我正在開(kāi)展一個(gè)名為機(jī)器學(xué)習(xí)的項(xiàng)目，用于智能腫瘤檢測(cè)和識(shí)別。在該項(xiàng)目中使用基于顏色的圖像分割來(lái)幫助計(jì)算機(jī)學(xué)習(xí)如何檢測(cè)腫瘤。

$ conda create -n myEnv python = 3

提示下載軟件包時(shí)鍵入y（表示是）。

$ source activate myEnv
$ conda install anaconda
$ conda activate myEnv
$ conda install opencv
$ jupyter notebook

這將在瀏覽器中為您打開(kāi)jupyter notebook。

一些重要的術(shù)語(yǔ)
等高線
輪廓可以簡(jiǎn)單地解釋為連接所有連續(xù)點(diǎn)（連同邊界）的曲線，具有相同的顏色或強(qiáng)度。輪廓是形狀分析和物體檢測(cè)和識(shí)別的有用工具。

閾值
在灰度圖像上應(yīng)用閾值處理使其成為二值圖像。您可以設(shè)置一個(gè)閾值，其中低于此閾值的所有值都將變?yōu)楹谏⑶疑鲜鏊兄刀紝⒆優(yōu)榘咨?br />
執(zhí)行
現(xiàn)在你已經(jīng)擁有了所有你需要的東西。
我們將從一個(gè)簡(jiǎn)單的例子開(kāi)始，向您展示基于顏色的分割是如何工作的。

跟我一起忍受，直到我們得到好東西。

一個(gè)Ombre圈 - 使用photoshop制作的圖像

如果你想和我一起試試這個(gè)，你可以從這里免費(fèi)獲得這個(gè)圖像。
在下面的代碼中，我將把這個(gè)圖像分成17個(gè)灰度級(jí)。然后使用輪廓測(cè)量每個(gè)級(jí)別的區(qū)域。

import cv2
import numpy as np
def viewImage(image):
??? cv2.namedWindow("Display", cv2.WINDOW_NORMAL)
??? cv2.imshow("Display", image)
??? cv2.waitKey(0)
??? cv2.destroyAllWindows()
def grayscale_17_levels (image):
??? high = 255
??? while(1):?
??????? low = high - 15
??????? col_to_be_changed_low = np.array([low])
??????? col_to_be_changed_high = np.array([high])
??????? curr_mask = cv2.inRange(gray, col_to_be_changed_low,col_to_be_changed_high)
??????? gray[curr_mask > 0] = (high)
??????? high -= 15
??????? if(low == 0 ):
??????????? break
image = cv2.imread("./path/to/image")
viewImage(image)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
grayscale_17_levels(gray)
viewImage(gray)

相同的圖像分為17個(gè)灰度級(jí)

def get_area_of_each_gray_level(im):
## convert image to gray scale (must br done before contouring)
??? image = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
??? output = []
??? high = 255
??? first = True
??? while(1):
low = high - 15
??????? if(first == False):
# making values that are of a greater gray level black
??????????? ## so it won"t get detected?
??????????? to_be_black_again_low = np.array([high])
??????????? to_be_black_again_high = np.array([255])
??????????? curr_mask = cv2.inRange(image, to_be_black_again_low,
??????????? to_be_black_again_high)
??????????? image[curr_mask > 0] = (0)
???????????
??????? # making values of this gray level white so we can calculate
??????? # it"s area
??????? ret, threshold = cv2.threshold(image, low, 255, 0)
??????? contours, hirerchy = cv2.findContours(threshold,
??????? cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
if(len(contours) > 0):
output.append([cv2.contourArea(contours[0])])
??????????? cv2.drawContours(im, contours, -1, (0,0,255), 3)
high -= 15
??????? first = False
??????? if(low == 0 ):
break
return output

在這個(gè)函數(shù)中，我只是通過(guò)將位于此范圍內(nèi)的所有數(shù)據(jù)統(tǒng)一到一個(gè)強(qiáng)度，在此迭代中簡(jiǎn)單地轉(zhuǎn)換我想要輪廓（高亮）的灰色范圍（強(qiáng)度）。我將所有其他強(qiáng)度轉(zhuǎn)換為黑色（包括更大和更小的強(qiáng)度）。
第二步我對(duì)圖像進(jìn)行閾值處理，以便只有我想要輪廓的顏色現(xiàn)在顯示為白色而其他所有顏色都轉(zhuǎn)換為黑色。此步驟在這里沒(méi)有太大變化，但必須完成，因?yàn)檩喞钸m合黑白（閾值）圖像。
在應(yīng)用此步驟（閾值處理）之前，下面的圖像將是相同的，除了白色環(huán)將是灰色的（第10個(gè)灰度級(jí)的灰度強(qiáng)度（255-15 * 10））

第10個(gè)部分多帶帶出現(xiàn)以便能夠計(jì)算其面積

image = cv2.imread（"./ path / to / image"）
print（get_area_of_each_gray_level（image））
viewImage（image）

17個(gè)灰度級(jí)的輪廓到原始圖像上

包含區(qū)域值的數(shù)組

這樣我們就可以得到每個(gè)灰度級(jí)的面積。

這真的很重要嗎？
在我們繼續(xù)之前，我想強(qiáng)調(diào)這個(gè)主題的重要性。
我是一名計(jì)算機(jī)工程專業(yè)的學(xué)生，我正在開(kāi)展一個(gè)名為機(jī)器學(xué)習(xí)的項(xiàng)目，用于智能腫瘤檢測(cè)和識(shí)別。
在該項(xiàng)目中使用基于顏色的圖像分割來(lái)幫助計(jì)算機(jī)學(xué)習(xí)如何檢測(cè)腫瘤。當(dāng)處理MRI掃描時(shí)，程序必須檢測(cè)所述MRI掃描的癌癥水平。它通過(guò)將掃描分割成不同的灰度級(jí)別來(lái)實(shí)現(xiàn)這一點(diǎn)，其中最暗的是充滿癌細(xì)胞，而最接近白色的是更健康的部分。然后它計(jì)算腫瘤對(duì)每個(gè)灰度級(jí)的隸屬程度。有了這些信息，該程序能夠識(shí)別腫瘤及其階段。
該項(xiàng)目基于軟計(jì)算，模糊邏輯和機(jī)器學(xué)習(xí)，您可以在模糊邏輯及其如何治愈癌癥方面了解更多信息。

目標(biāo)檢測(cè)

照片來(lái)自? Pexels的Lukas

您可以得到這個(gè)圖片上免費(fèi)Pexels 這里。你只需要裁剪它。

在此圖像中，我們只想輪廓化葉子。由于該圖像的紋理非常不規(guī)則且不均勻，這意味著雖然沒(méi)有很多顏色。該圖像中的綠色強(qiáng)度也改變其亮度。因此，這里最好的做法是將所有這些不同的綠色陰影統(tǒng)一為一個(gè)陰影。這樣當(dāng)我們應(yīng)用輪廓時(shí)，它將處理葉子作為一個(gè)整體對(duì)象。

注意：如果您在圖像上應(yīng)用輪廓線而不進(jìn)行任何預(yù)處理，則會(huì)出現(xiàn)這種情況。我只是想讓你看看葉子的不均勻性如何讓OpenCV不明白這只是一個(gè)對(duì)象。

在沒(méi)有預(yù)處理的情況下進(jìn)行輪廓加工，檢測(cè)到531個(gè)輪廓

import cv2
import numpy as np
def viewImage(image):
??? cv2.namedWindow("Display", cv2.WINDOW_NORMAL)
??? cv2.imshow("Display", image)
??? cv2.waitKey(0)
??? cv2.destroyAllWindows()

首先，您必須知道顏色的HSV表示，您可以通過(guò)將其RGB轉(zhuǎn)換為HSV來(lái)了解它，如下所示。

## getting green HSV color representation
green = np.uint8([[[0, 255, 0 ]]])
green_hsv = cv2.cvtColor(green,cv2.COLOR_BGR2HSV)
print( green_hsv)

image = cv2.imread("./path/to/image.jpg")
hsv_img = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
viewImage(hsv_img) ## 1
green_low = np.array([45 , 100, 50] )
green_high = np.array([75, 255, 255])
curr_mask = cv2.inRange(hsv_img, green_low, green_high)
hsv_img[curr_mask > 0] = ([75,255,200])
viewImage(hsv_img) ## 2
## converting the HSV image to Gray inorder to be able to apply
## contouring
RGB_again = cv2.cvtColor(hsv_img, cv2.COLOR_HSV2RGB)
gray = cv2.cvtColor(RGB_again, cv2.COLOR_RGB2GRAY)
viewImage(gray) ## 3
ret, threshold = cv2.threshold(gray, 90, 255, 0)
viewImage(threshold) ## 4
contours, hierarchy =? cv2.findContours(threshold,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(image, contours, -1, (0, 0, 255), 3)
viewImage(image) ## 5

左圖：轉(zhuǎn)換為HSV后的圖像（1）。右：應(yīng)用蒙版后的圖像（顏色統(tǒng)一）（2）

左：從HSV轉(zhuǎn)換為灰色后的圖像（3），右：閾值圖像，最后一步（4）

最終輪廓（5）

由于背景中似乎也存在不規(guī)則性，我們可以使用這種方法獲得最大的輪廓，最大的輪廓當(dāng)然是葉子。
我們可以得到輪廓數(shù)組中葉子輪廓的索引，從中得到葉子的面積和中心。
輪廓具有許多其他可以使用的功能，例如輪廓周長(zhǎng)，凸包，邊界矩形等等。您可以從這里了解更多相關(guān)信息。

def findGreatesContour(contours):
??? largest_area = 0
??? largest_contour_index = -1
??? i = 0
??? total_contours = len(contours)
??? while (i < total_contours ):
??????? area = cv2.contourArea(contours[i])
??????? if(area > largest_area):
??????????? largest_area = area
??????????? largest_contour_index = i
??????? i+=1
???????????
??? return largest_area, largest_contour_index
# to get the center of the contour
cnt = contours[13]
M = cv2.moments(cnt)
cX = int(M["m10"] / M["m00"])
cY = int(M["m01"] / M["m00"])
largest_area, largest_contour_index = findGreatesContour(contours)
print(largest_area)
print(largest_contour_index)
print(len(contours))
print(cX)
print(cY)

打印語(yǔ)句的結(jié)果