使蒙版边界在实例分割蒙版中更加明显答案

【问题标题】：make mask border more distinguished in instance segmentation mask使蒙版边界在实例分割蒙版中更加明显
【发布时间】：2021-03-03 19:53:47
【问题描述】：

我有以下实例分割掩码：

我想在将单元格之间的边界转换为二进制掩码之前使其更加明显。

如果我拍摄图像并对其进行二值化，我会得到以下图像：

是否有解决此问题的内置函数，我找不到？如果没有最好的方法是什么？

.npy 格式的原始图像位于https://filebin.net/eixoprrp0o7opz7k

【问题讨论】：

查找侵蚀 :) f.e. en.wikipedia.org/wiki/Erosion_(morphology)
@PatrickArtner 我已经检查过了，但是当图像是二进制时它工作得很好。在每个实例的值都不同于 1 的情况下，我遇到了麻烦。
可能使用原始图像的（二值化）副本，然后将其侵蚀并组合回原始图像（乘以）会扩大间隙。任何地方你乘以 0 得到 0，所有其他地方都与你乘以 1 相同？
可以上传原图吗？我假设你想分开接触的物体？还是它们已经被标记了，而您只是想绘制轮廓？
@GaneshTata 我添加了一个下载图片的链接（没有轴）。

标签： python image-processing image-segmentation

【解决方案1】：

我喜欢opencv 图书馆。这是一种绘制轮廓的方法。

import numpy as np
import matplotlib.pyplot as plt
import cv2

img = np.load('test.npy').astype(np.int32) # the method only works with 32bit image
contour_thickness = 1

contours, hierarchy = cv2.findContours(img, cv2.RETR_CCOMP, cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(img , contours, -1, 0, contour_thickness)

plt.imshow(img)
plt.show()

【讨论】：

一个非常优雅的解决方案，它完全符合我的实现。（可能有效）

【解决方案2】：

所以我找不到直接的方法来实现我的目标，所以我自己实现了它。

import numpy as np
from scipy.ndimage.filters import gaussian_filter

def fix_patch(patch, val):
    patch_tmp = np.where(patch == val, patch, 0)
    blurred_patch = gaussian_filter(patch_tmp, sigma=0.7)
    patch_tmp = np.where((blurred_patch < int(0.9 * val)) & (blurred_patch > int(0.5 * val)), 0, 1)
    return patch * patch_tmp


def smart_matrix_indexing(r_min, r_max, c_min, c_max, mat):
    row_max, col_max = np.subtract(mat.shape, (1, 1))
    r_min = np.max([r_min - 3, 0])
    r_max = np.min([r_max + 3, row_max])
    c_min = np.max([c_min - 3, 0])
    c_max = np.min([c_max + 3, col_max])
    return r_min, r_max, c_min, c_max


def fix_segmentation_maps(mask):
    unique_values = np.unique(mask)
    unique_values = unique_values[np.where(unique_values > 0)]
    for val in unique_values:
        r, c = np.where(mask == val)
        r_min, r_max, c_min, c_max = smart_matrix_indexing(r.min(), r.max(), c.min(), c.max(), mask)
        patch = mask[r_min:r_max, c_min:c_max]
        mask[r_min:r_max, c_min:c_max] = fix_patch(patch, val)
    return mask

fixed_mask = fix_segmentation_maps(mask)

这将输出以下图像：

逻辑：

为每个实例元素找到一个窗口
从图片中裁剪
将非实例的所有内容归零
使用高斯滤波器平滑
保留边界元素
取反值 (1 -> 0, 0 ->1)。这将只清零我们希望删除的边界
将它乘以补丁并重新分配它

所以它能够以某种下降方式设置边界。如果有更好的方法我很乐意听到。

【讨论】：