图像分割（二）

# 在绘图中显示中文字体，而非乱码
from pylab import mpl
mpl.rcParams["font.sans-serif"] = ["SimHei"]
import cv2
import matplotlib.pyplot as plt
import numpy as np

使用图割算法对3到5张图像进行分割（要求图像背景包含简单背景和复杂背景），并简要叙述本章中所有图像分割算法的特点、优缺点和适用场景。

# 图割算法代码，选择三张图片分别处理复制粘贴即可
img1 = cv2.imread(你的图片)
cv2.namedWindow("select", cv2.WINDOW_NORMAL)
cv2.imshow("select", img1)
roi_mask = cv2.selectROI('select', img1, True, False)
roi = img1[int(roi_mask[1]):int(roi_mask[1]+roi_mask[3]), int(roi_mask[0]):int(roi_mask[0]+roi_mask[2])]
mask = np.zeros(img1.shape[:2], dtype=np.uint8)
rect_roi = (int(roi_mask[0]), int(roi_mask[1]), int(roi_mask[2]), int(roi_mask[3]))
bgdmodel = np.zeros((1, 65), np.float64)   
fgdmodel = np.zeros((1, 65), np.float64)  
cv2.grabCut(img1, mask, rect_roi, bgdmodel, fgdmodel, 11, mode=cv2.GC_INIT_WITH_RECT)
mask_foreground = np.where((mask == 1) + (mask == 3), 255, 0).astype('uint8')
result = cv2.bitwise_and(img1, img1, mask=mask_foreground)
title_list = ["原图", "图割"]
img_list = [img1, result]
for i in range(len(img_list)):
    plt.subplot(2, 1, i+1)
    plt.imshow(cv2.cvtColor(img_list[i], cv2.COLOR_BGR2RGB))
    plt.title(title_list[i])
    plt.xticks([])
    plt.yticks([])
plt.show()

边缘检测：
特点：基于像素梯度的边缘检测。
优点：简单，计算量小。
缺点：对噪声敏感，边缘定位不精确。
适用场景：简单场景的边缘提取。

阈值分割：
特点：根据像素值的阈值进行分割。
优点：简单，快速。
缺点：对光照变化敏感，难以处理复杂背景。
适用场景：背景与前景对比明显的场景。

区域分割：
特点：基于像素区域特性的分割。
优点：能够处理同质区域。
缺点：对边界不精确，容易漏分割。
适用场景：同质区域明显的图像。

分水岭分割：
特点：基于拓扑学原理的分割。
优点：能够处理复杂形状。
缺点：计算量大，对噪声敏感。
适用场景：需要精确分割的复杂图像。

Mean Shift分割：
特点：基于密度的聚类分割。
优点：能够处理任意形状。
缺点：计算量大，对参数敏感。
适用场景：聚类分析，目标跟踪。

SLIC超像素分割：
特点：基于空间邻近性和颜色相似性的分割。
优点：简单，能够生成均匀的超像素。
缺点：对参数选择敏感。
适用场景：需要超像素表示的图像。

主动轮廓模型：
特点：基于能量最小化的轮廓演化。
优点：能够处理复杂形状。
缺点：计算量大，需要初始化。
适用场景：医学图像分割，目标检测。

图割算法：
特点：基于图论的全局优化分割。
优点：能够处理复杂场景。
缺点：计算量大，需要训练数据。
适用场景：场景理解，图像分割。