Scikit-image 扩展活动轮廓（蛇）

Question

我按照link 中的示例进行操作。然而，轮廓从初始点收缩。是否可以做扩展的轮廓？我想要显示的图像。左边的图像是它的样子，右边的图像是我想要的样子——展开而不是收缩。红色圆圈是起点，蓝色轮廓是经过 n 次迭代。是否有我可以设置的参数 - 我查看了所有参数，但似乎没有设置。此外，当提到“活动轮廓”时，它通常会假设轮廓收缩吗？我读了this paper，认为它既可以收缩又可以扩展。

img = data.astronaut()
img = rgb2gray(img)

s = np.linspace(0, 2*np.pi, 400)
x = 220 + 100*np.cos(s)
y = 100 + 100*np.sin(s)
init = np.array([x, y]).T

if not new_scipy:
    print('You are using an old version of scipy. '
          'Active contours is implemented for scipy versions '
          '0.14.0 and above.')

if new_scipy:
    snake = active_contour(gaussian(img, 3),
                           init, alpha=0.015, beta=10, gamma=0.001)

    fig = plt.figure(figsize=(7, 7))
    ax = fig.add_subplot(111)
    plt.gray()
    ax.imshow(img)
    ax.plot(init[:, 0], init[:, 1], '--r', lw=3)
    ax.plot(snake[:, 0], snake[:, 1], '-b', lw=3)
    ax.set_xticks([]), ax.set_yticks([])
    ax.axis([0, img.shape[1], img.shape[0], 0])

Answer 1

您需要气球力添加到 Snakes。

Snake 的算法被定义为最小化 3 种能量 - 连续性、曲率和梯度，对应于代码中的 alpha、beta 和 gamma。当点（在曲线上）被拉得越来越近（即收缩）时，前两个（统称为内部能量）会最小化。如果它们膨胀，那么能量就会增加，这是蛇算法所不允许的。

但这个 1987 年提出的初始算法存在一些问题。问题之一是在平坦区域（梯度为零），算法无法收敛并且什么都不做。提出了几个修改来解决这个问题。这里感兴趣的解决方案是 - LD Cohen 在 1989 年提出的 Balloon Force。

气球力在图像的非信息区域中引导轮廓，即图像梯度太小而无法将轮廓推向边界的区域。负值将缩小轮廓，而正值将扩大这些区域的轮廓。将此设置为零将禁用气球力。

另一个改进是 - Morphological Snakes，它在二进制数组上使用形态运算符（例如膨胀或腐蚀），而不是在浮点数组上求解 PDE，这是活动轮廓的标准方法。这使得 Morphological Snakes 比它们的传统对应物更快且在数值上更稳定。

使用上述两个改进的 Scikit-image 的实现是morphological_geodesic_active_contour。它有一个参数balloon

在没有任何真实原始图像的情况下，让我们创建一个玩具图像并使用它：

import numpy as np
import matplotlib.pyplot as plt
from skimage.segmentation import morphological_geodesic_active_contour, inverse_gaussian_gradient
from skimage.color import rgb2gray
from skimage.util import img_as_float
from PIL import Image, ImageDraw
   
im = Image.new('RGB', (250, 250), (128, 128, 128))
draw = ImageDraw.Draw(im)
draw.polygon(((50, 200), (200, 150), (150, 50)), fill=(255, 255, 0), outline=(0, 0, 0))
im = np.array(im)
im = rgb2gray(im)
im = img_as_float(im)
plt.imshow(im, cmap='gray')

这给了我们下面的图片

现在让我们创建一个函数来帮助我们存储迭代：

def store_evolution_in(lst):
    """Returns a callback function to store the evolution of the level sets in
    the given list.
    """

    def _store(x):
        lst.append(np.copy(x))

    return _store

此方法需要对图像进行预处理以突出轮廓。这可以使用函数inverse_gaussian_gradient 来完成，尽管用户可能想要定义自己的版本。 MorphGAC 分割的质量很大程度上取决于这个预处理步骤。

gimage = inverse_gaussian_gradient(im)

下面我们定义我们的起点 - 一个正方形。

init_ls = np.zeros(im.shape, dtype=np.int8)
init_ls[120:-100, 120:-100] = 1

列出用于绘制演化的中间结果

evolution = []
callback = store_evolution_in(evolution)

现在 morphological_geodesic_active_contour 所需的幻线如下：

ls = morphological_geodesic_active_contour(gimage, 50, init_ls, 
                                           smoothing=1, balloon=1,
                                            threshold=0.7,
                                           iter_callback=callback)

现在让我们绘制结果：

fig, axes = plt.subplots(1, 2, figsize=(8, 8))
ax = axes.flatten()

ax[0].imshow(im, cmap="gray")
ax[0].set_axis_off()
ax[0].contour(ls, [0.5], colors='b')
ax[0].set_title("Morphological GAC segmentation", fontsize=12)

ax[1].imshow(ls, cmap="gray")
ax[1].set_axis_off()
contour = ax[1].contour(evolution[0], [0.5], colors='r')
contour.collections[0].set_label("Starting Contour")
contour = ax[1].contour(evolution[5], [0.5], colors='g')
contour.collections[0].set_label("Iteration 5")
contour = ax[1].contour(evolution[-1], [0.5], colors='b')
contour.collections[0].set_label("Last Iteration")
ax[1].legend(loc="upper right")
title = "Morphological GAC Curve evolution"
ax[1].set_title(title, fontsize=12)

plt.show()

红色方块是我们的起点（初始轮廓），蓝色轮廓来自最终迭代。