Документация к коду сегментации изображений

Общее описание

Код реализует три классических метода сегментации изображений:

1. Улучшенный Region Growing
2. Улучшенный Split and Merge
3. Watershed (водораздел)

Все методы работают с оттенками серого и включают дополнительные оптимизации для улучшения качества сегментации.

Основные функции

adaptive_region_growing(image, min_size=50)

Адаптивный Region Growing с автоматическим выбором семян

1. Находит семена как локальные минимумы яркости
2. Удаляет слишком близкие семена через эрозию
3. Применяет алгоритм водораздела для роста регионов
4. Возвращает маску сегментов

improved_split_and_merge(image, min_size=20, var_threshold=10, merge_threshold=15)

Улучшенный Split and Merge с дополнительным слиянием

1. Разделение:
   • Рекурсивно делит изображение на квадранты
   • Останавливается при достижении min_size или низкой дисперсии (var_threshold)
2. Слияние:
   • Объединяет соседние регионы со схожей средней яркостью (merge_threshold)
   • Использует merge_adjacent_regions для постобработки

merge_adjacent_regions(image, mask, threshold=15)

Слияние смежных регионов

1. Сравнивает среднюю яркость соседних регионов
2. Объединяет регионы, если разница яркости < threshold
3. Возвращает обновленную маску сегментов

visualize_segmentation(image, mask)

Визуализация результатов

1. Генерирует цветное представление сегментов (случайные цвета)
2. Выделяет границы регионов красным цветом
3. Возвращает цветное изображение в формате RGB

Рабочий процесс

1. Загрузка изображения:

   original = cv2.imread('original.jpg')

2. Предобработка:
   • Конвертация в grayscale
   • Размытие Гауссом
   • Улучшение контраста через CLAHE
3. Применение методов сегментации:
   • Region Growing: rg_mask = adaptive_region_growing(enhanced)
   • Split and Merge: sm_mask = improved_split_and_merge(enhanced)
   • Watershed: ws_mask = watershed(...)
4. Визуализация и сохранение:
   • Генерация цветных масок
   • Сохранение результатов в JPG
   • Построение сравнительной сетки графиков

Требования

• OpenCV (cv2)
• NumPy (numpy)
• SciPy (scipy.ndimage)
• scikit-image (skimage.segmentation)
• Matplotlib (matplotlib)

Выходные файлы

1. improved_region_growing.jpg - результат Region Growing
2. improved_split_merge.jpg - результат Split and Merge
3. watershed.jpg - результат Watershed
4. improved_segmentation_results.jpg - сводная сетка всех результатов

Особенности реализации

• Автоматический выбор параметров: Пороги вычисляются на основе статистики изображения
• Постобработка: Все методы включают дополнительные шаги очистки результатов
• Визуализация: Четкое выделение границ сегментов
• Интеграция: Классические методы сочетаются с современными подходами (CLAHE, морфологические операции)

Примечание: Для работы требуется изображение original.jpg в рабочей директории.