Separate Bild als zwei Teil in Python

Question

Ich habe diese Art von Bildern

Wie Bilder dargestellt, Bild hauptsächlich einen zweiteiliges hat. oberen und unteren.

Ich möchte sie trennen.

Im ersten Versuch implementiert ich mit K-Meas-Algorithmen.

In[2]: kmeans = KMeans(n_clusters=2, random_state=0).fit(... np.asarray(np.where(finalImage == 255)).T)

Es ist Werke auf Image1 Fälle, die obere und die untere eine fast gleiche Menge von Punkten haben. Aber wird funktioniert nicht bei Bild 2.

Nachdem ich als cv2.findContours verwendenmaximale Fläche 2 Konturen zu bekommen

im, contours, hierarchy = cv2.findContours(Img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE) 

    # get first contour 
    maxContour = 0 
    for contour in contours: 
     contourSize = cv2.contourArea(contour) 
     if contourSize > maxContour: 
      maxContour = contourSize 
      maxContourData0 = contour 

    # get second contour 
    if contours.__len__() != 1: 
     maxContour = 0 
     for contour in contours: 
      contourSize = cv2.contourArea(contour) 
      if contourSize > maxContour and np.sum(np.subtract(contour[0:5],maxContourData0[0:5])) != 0: 
       maxContour = contourSize 
       maxContourData1 = contour 

    mask = np.zeros_like(Img) 
    cv2.fillPoly(mask, [maxContourData0], 1) 
    if contours.__len__() != 1: 
     cv2.fillPoly(mask, [maxContourData1], 1) 

    finalImage = np.zeros_like(Img) 
    finalImage[:, :] = np.multiply(Img, mask) 

    cv2.imshow('final', finalImage) 
    cv2.waitKey(0) 

Aber es geht manchmal eine Kontur nicht 2 ...

gibt es irgendwelche zwei blob zwanghaft zu bekommen?

Answer 1

Sie können connectedComponents versuchen und verwenden, aber beachten Sie, dass Sie connectivity = 4 und nicht 8 als Standard festlegen sollten.

Answer 2

Wenn Sie die Laufzeit nicht stören, können Sie spektrale Clustering versuchen.

K-Means funktioniert nicht für dieses Problem, da es implizit davon ausgeht, dass die Cluster sphärisch sind, während spektrales Clustering mehr über Konnektivität kümmert. Die schlechte Nachricht ist, dass es viel langsamer als K-bedeutet.

unten meine Implementierung mit sklearn.cluster.SpectralClustering:

t0 = time.time() 
spectral = cluster.SpectralClustering(n_clusters=2, affinity='rbf', n_init=3) 
spectral.fit(pts) 
t1 = time.time() 
print(t1-t0) 

Ausgang:

19.5850000381