摘要：我是一名計算機工程專業的學生，我正在開展一個名為機器學習的項目，用于智能腫瘤檢測和識別。在該項目中使用基于顏色的圖像分割來幫助計算機學習如何檢測腫瘤。

$ conda create -n myEnv python = 3

提示下載軟件包時鍵入y（表示是）。

$ source activate myEnv
$ conda install anaconda
$ conda activate myEnv
$ conda install opencv
$ jupyter notebook

這將在瀏覽器中為您打開jupyter notebook。

一些重要的術語
等高線
輪廓可以簡單地解釋為連接所有連續點（連同邊界）的曲線，具有相同的顏色或強度。輪廓是形狀分析和物體檢測和識別的有用工具。

閾值
在灰度圖像上應用閾值處理使其成為二值圖像。您可以設置一個閾值，其中低于此閾值的所有值都將變為黑色，并且上述所有值都將變為白色。

執行
現在你已經擁有了所有你需要的東西。
我們將從一個簡單的例子開始，向您展示基于顏色的分割是如何工作的。

跟我一起忍受，直到我們得到好東西。

一個Ombre圈 - 使用photoshop制作的圖像

如果你想和我一起試試這個，你可以從這里免費獲得這個圖像。
在下面的代碼中，我將把這個圖像分成17個灰度級。然后使用輪廓測量每個級別的區域。

import cv2
import numpy as np
def viewImage(image):
??? cv2.namedWindow("Display", cv2.WINDOW_NORMAL)
??? cv2.imshow("Display", image)
??? cv2.waitKey(0)
??? cv2.destroyAllWindows()
def grayscale_17_levels (image):
??? high = 255
??? while(1):?
??????? low = high - 15
??????? col_to_be_changed_low = np.array([low])
??????? col_to_be_changed_high = np.array([high])
??????? curr_mask = cv2.inRange(gray, col_to_be_changed_low,col_to_be_changed_high)
??????? gray[curr_mask > 0] = (high)
??????? high -= 15
??????? if(low == 0 ):
??????????? break
image = cv2.imread("./path/to/image")
viewImage(image)
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
grayscale_17_levels(gray)
viewImage(gray)

相同的圖像分為17個灰度級

def get_area_of_each_gray_level(im):
## convert image to gray scale (must br done before contouring)
??? image = cv2.cvtColor(im, cv2.COLOR_BGR2GRAY)
??? output = []
??? high = 255
??? first = True
??? while(1):
low = high - 15
??????? if(first == False):
# making values that are of a greater gray level black
??????????? ## so it won"t get detected?
??????????? to_be_black_again_low = np.array([high])
??????????? to_be_black_again_high = np.array([255])
??????????? curr_mask = cv2.inRange(image, to_be_black_again_low,
??????????? to_be_black_again_high)
??????????? image[curr_mask > 0] = (0)
???????????
??????? # making values of this gray level white so we can calculate
??????? # it"s area
??????? ret, threshold = cv2.threshold(image, low, 255, 0)
??????? contours, hirerchy = cv2.findContours(threshold,
??????? cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
if(len(contours) > 0):
output.append([cv2.contourArea(contours[0])])
??????????? cv2.drawContours(im, contours, -1, (0,0,255), 3)
high -= 15
??????? first = False
??????? if(low == 0 ):
break
return output

在這個函數中，我只是通過將位于此范圍內的所有數據統一到一個強度，在此迭代中簡單地轉換我想要輪廓（高亮）的灰色范圍（強度）。我將所有其他強度轉換為黑色（包括更大和更小的強度）。
第二步我對圖像進行閾值處理，以便只有我想要輪廓的顏色現在顯示為白色而其他所有顏色都轉換為黑色。此步驟在這里沒有太大變化，但必須完成，因為輪廓最適合黑白（閾值）圖像。
在應用此步驟（閾值處理）之前，下面的圖像將是相同的，除了白色環將是灰色的（第10個灰度級的灰度強度（255-15 * 10））

第10個部分多帶帶出現以便能夠計算其面積

image = cv2.imread（"./ path / to / image"）
print（get_area_of_each_gray_level（image））
viewImage（image）

17個灰度級的輪廓到原始圖像上

包含區域值的數組

這樣我們就可以得到每個灰度級的面積。

這真的很重要嗎？
在我們繼續之前，我想強調這個主題的重要性。
我是一名計算機工程專業的學生，我正在開展一個名為機器學習的項目，用于智能腫瘤檢測和識別。
在該項目中使用基于顏色的圖像分割來幫助計算機學習如何檢測腫瘤。當處理MRI掃描時，程序必須檢測所述MRI掃描的癌癥水平。它通過將掃描分割成不同的灰度級別來實現這一點，其中最暗的是充滿癌細胞，而最接近白色的是更健康的部分。然后它計算腫瘤對每個灰度級的隸屬程度。有了這些信息，該程序能夠識別腫瘤及其階段。
該項目基于軟計算，模糊邏輯和機器學習，您可以在模糊邏輯及其如何治愈癌癥方面了解更多信息。

目標檢測

照片來自? Pexels的Lukas

您可以得到這個圖片上免費Pexels 這里。你只需要裁剪它。

在此圖像中，我們只想輪廓化葉子。由于該圖像的紋理非常不規則且不均勻，這意味著雖然沒有很多顏色。該圖像中的綠色強度也改變其亮度。因此，這里最好的做法是將所有這些不同的綠色陰影統一為一個陰影。這樣當我們應用輪廓時，它將處理葉子作為一個整體對象。

注意：如果您在圖像上應用輪廓線而不進行任何預處理，則會出現這種情況。我只是想讓你看看葉子的不均勻性如何讓OpenCV不明白這只是一個對象。

在沒有預處理的情況下進行輪廓加工，檢測到531個輪廓

import cv2
import numpy as np
def viewImage(image):
??? cv2.namedWindow("Display", cv2.WINDOW_NORMAL)
??? cv2.imshow("Display", image)
??? cv2.waitKey(0)
??? cv2.destroyAllWindows()

首先，您必須知道顏色的HSV表示，您可以通過將其RGB轉換為HSV來了解它，如下所示。

## getting green HSV color representation
green = np.uint8([[[0, 255, 0 ]]])
green_hsv = cv2.cvtColor(green,cv2.COLOR_BGR2HSV)
print( green_hsv)

image = cv2.imread("./path/to/image.jpg")
hsv_img = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
viewImage(hsv_img) ## 1
green_low = np.array([45 , 100, 50] )
green_high = np.array([75, 255, 255])
curr_mask = cv2.inRange(hsv_img, green_low, green_high)
hsv_img[curr_mask > 0] = ([75,255,200])
viewImage(hsv_img) ## 2
## converting the HSV image to Gray inorder to be able to apply
## contouring
RGB_again = cv2.cvtColor(hsv_img, cv2.COLOR_HSV2RGB)
gray = cv2.cvtColor(RGB_again, cv2.COLOR_RGB2GRAY)
viewImage(gray) ## 3
ret, threshold = cv2.threshold(gray, 90, 255, 0)
viewImage(threshold) ## 4
contours, hierarchy =? cv2.findContours(threshold,cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cv2.drawContours(image, contours, -1, (0, 0, 255), 3)
viewImage(image) ## 5

左圖：轉換為HSV后的圖像（1）。右：應用蒙版后的圖像（顏色統一）（2）

左：從HSV轉換為灰色后的圖像（3），右：閾值圖像，最后一步（4）

最終輪廓（5）

由于背景中似乎也存在不規則性，我們可以使用這種方法獲得最大的輪廓，最大的輪廓當然是葉子。
我們可以得到輪廓數組中葉子輪廓的索引，從中得到葉子的面積和中心。
輪廓具有許多其他可以使用的功能，例如輪廓周長，凸包，邊界矩形等等。您可以從這里了解更多相關信息。

def findGreatesContour(contours):
??? largest_area = 0
??? largest_contour_index = -1
??? i = 0
??? total_contours = len(contours)
??? while (i < total_contours ):
??????? area = cv2.contourArea(contours[i])
??????? if(area > largest_area):
??????????? largest_area = area
??????????? largest_contour_index = i
??????? i+=1
???????????
??? return largest_area, largest_contour_index
# to get the center of the contour
cnt = contours[13]
M = cv2.moments(cnt)
cX = int(M["m10"] / M["m00"])
cY = int(M["m01"] / M["m00"])
largest_area, largest_contour_index = findGreatesContour(contours)
print(largest_area)
print(largest_contour_index)
print(len(contours))
print(cX)
print(cY)

打印語句的結果