我是图像分割的新手，但我需要这样做才能为机器学习分类器获取数据库。
基本上我有一个类似于这张图片的视频：
我的工作是识别前景中的奶牛，或者至少识别任何奶牛。我意识到存在遮挡问题，但首先我想正确分割一头孤独的母牛，就像它周围有红色矩形的那头（手绘）。
在诸如此类的不太具有挑战性的问题中，我通过为每个像素添加阈值来进行区分，该阈值对于对象变为 (0,0,0) 或对于背景变为 (255,255,255)：
然后我用相同的值标记像素以获取类并获得足够大的“斑点”的矩形。
对于上面的图像，这种方法不起作用，因为对象和背景相似 + 有很多阴影、侧光等，所以我不知道如何处理它。欢迎任何建议。
【问题讨论】：
标签： python image image-processing image-segmentation scikit-image
我意识到这是一个旧线程，但我想建议一种解决此类问题的方法。
您可以尝试使用基于纹理的分割，因为草地背景与牛的纹理不同。
查看this link，其中图像的纹理能量特征是根据 Laws 的技术定义的。
这是 Python 中的法律技术的实现。它通过定义用于提取图像中不同特征的 2D 内核来工作，例如边缘、波纹、斑点及其组合。下面的函数返回9张图片，可以从中提取纹理特征。
def laws(array):
# Define the 1D kernels
L5 = np.array([1,4,6,4,1]) # level
E5 = np.array([-1,-2,0,2,1]) # edge
S5 = np.array([-1,0,2,0,-1]) # spot
R5 = np.array([1,-4,6,-4,1]) # ripples
# Generate 2D kernels
L5E5 = np.outer(L5,E5)
E5L5 = np.outer(E5,L5)
L5R5 = np.outer(L5,R5)
R5L5 = np.outer(R5,L5)
E5S5 = np.outer(E5,S5)
S5E5 = np.outer(S5,E5)
S5S5 = np.outer(S5,S5)
R5R5 = np.outer(R5,R5)
L5S5 = np.outer(L5,S5)
S5L5 = np.outer(S5,L5)
E5E5 = np.outer(E5,E5)
E5R5 = np.outer(E5,R5)
R5E5 = np.outer(R5,E5)
S5R5 = np.outer(S5,R5)
R5S5 = np.outer(R5,S5)
return (0.5*(correlate(array, L5E5) + correlate(array, E5L5)), \
0.5*(correlate(array, L5R5) + correlate(array, R5L5)), \
0.5*(correlate(array, E5S5) + correlate(array, S5E5)), \
correlate(array, S5S5), \
correlate(array, R5R5), \
0.5*(correlate(array, L5S5) + correlate(array, S5L5)), \
correlate(array, E5E5), \
0.5*(correlate(array, E5R5) + correlate(array, R5E5)), \
0.5*(correlate(array, R5S5) + correlate(array, S5R5)))
【讨论】：
我会尝试拍两张照片。一张没有奶牛的“静态”背景照片，然后是第二张有奶牛的照片。然后你可以减去这两个图像。我对 python 不太熟悉，但 imagemagick 可以轻松区分图像（http://www.imagemagick.org/Usage/compare/）。理想情况下，“差异化”图像将隔离奶牛。从那里你可以得到幻想并尝试各种边缘检测算法等......
希望对您有所帮助。
【讨论】：