我们尝试使用局部直方图方法进行伤口分割,这种方法对各种图像都不起作用,然后我们教会使用小波变换进行伤口分割。
哪种小波变换对伤口分割有好处并且有一些实施技巧?
有没有比小波变换更好的方法来在所有光照条件下分割伤口?
我们还尝试了图像聚类,但并没有那么顺利。
以下是我们使用的一些测试用例和集群程序。
#include "cv.h"
#include "highgui.h"
#include <iostream>
void show_result(const cv::Mat& labels, const cv::Mat& centers, int height, int width);
int main(int argc, const char * argv[])
{
cv::Mat image = cv::imread("kmean.jpg");
if ( image.empty() ) {
std::cout << "unable to load an input image\n";
return 1;
}
//cv::cvtColor(image,image,CV_BGR2HSV);
std::cout << "image: " << image.rows << ", " << image.cols << std::endl;
assert(image.type() == CV_8UC3);
cv::imshow("image", image);
cv::Mat reshaped_image = image.reshape(1, image.cols * image.rows);
std::cout << "reshaped image: " << reshaped_image.rows << ", " << reshaped_image.cols << std::endl;
assert(reshaped_image.type() == CV_8UC1);
//check0(image, reshaped_image);
cv::Mat reshaped_image32f;
reshaped_image.convertTo(reshaped_image32f, CV_32FC1, 1.0 / 255.0);
std::cout << "reshaped image 32f: " << reshaped_image32f.rows << ", " << reshaped_image32f.cols << std::endl;
assert(reshaped_image32f.type() == CV_32FC1);
cv::Mat labels;
int cluster_number = 4;
cv::TermCriteria criteria(cv::TermCriteria::COUNT, 100, 1);
cv::Mat centers;
cv::kmeans(reshaped_image32f, cluster_number, labels, criteria, 1, cv::KMEANS_PP_CENTERS, centers);
show_result(labels, centers, image.rows,image.cols);
return 0;
}
void show_result(const cv::Mat& labels, const cv::Mat& centers, int height, int width)
{
std::cout << "===\n";
std::cout << "labels: " << labels.rows << " " << labels.cols << std::endl;
std::cout << "centers: " << centers.rows << " " << centers.cols << std::endl;
assert(labels.type() == CV_32SC1);
assert(centers.type() == CV_32FC1);
cv::Mat rgb_image(height, width, CV_8UC3);
cv::MatIterator_<cv::Vec3b> rgb_first = rgb_image.begin<cv::Vec3b>();
cv::MatIterator_<cv::Vec3b> rgb_last = rgb_image.end<cv::Vec3b>();
cv::MatConstIterator_<int> label_first = labels.begin<int>();
cv::Mat centers_u8;
centers.convertTo(centers_u8, CV_8UC1, 255.0);
cv::Mat centers_u8c3 = centers_u8.reshape(3);
while ( rgb_first != rgb_last ) {
const cv::Vec3b& rgb = centers_u8c3.ptr<cv::Vec3b>(*label_first)[0];
*rgb_first = rgb;
++rgb_first;
++label_first;
}
cv::imshow("tmp", rgb_image);
cv::waitKey();
}
具有背景的意志1:(两个群集)
没有背景的遗嘱:
将2与背景:
没有背景的意志2:(三个群集)
当我们删除背景时,我们会获得更好的分割,但是为了去除背景,我们使用了依赖于手动操作的抓取。因此,我们需要替换kmean-clustering来分割图像(或)以上代码中的一些改进,以实现100%的成功案例。
那么有没有更好的方法来分割伤口?
答案 0 :(得分:1)
您可能希望尝试使用类似Haar的小波来调整对象检测任务,而不是尝试使用传统的小波变换,类似于Viola Jones face detector中使用的整数图像的基础。用于通用对象检测的This paper by Lienhart et al将是一个良好的开端。
从您的示例图像的外观来看,伤口中小像素邻域内的强度方差要高得多,而未被玷污的皮肤在小邻域中看起来相当均匀。 Lienhart论文应能够检测到这些变化 - 您可以将这些功能提供给机器学习设置,或者只是进行手动观察并定义搜索窗口和相关的启发式。
希望这有帮助。