skimage.segmentation 的mark_boundaries怎么用

`mark_boundaries` 是 `skimage.segmentation` 中的一个函数，用于在图像的边界处绘制轮廓线。它可以接受两个参数，第一个参数是原始图像，第二个参数是对应的标签图像，它们的形状应该相同。标签图像中每个像素的值表示原始图像中对应像素所属的区域编号。

下面是一个使用 `mark_boundaries` 函数的例子：

from skimage.segmentation import mark_boundaries
from skimage.io import imread

# 读入一张图像
img = imread('image.jpg')

# 对图像进行分割并得到标签图像
labels = segmentation.slic(img, n_segments=100, compactness=10)

# 在图像边界处绘制轮廓线
boundaries = mark_boundaries(img, labels, color=(1, 0, 0))

# 将结果显示出来
plt.imshow(boundaries)
plt.show()

在这个例子中，我们首先读入一张图像，并使用 SLIC 算法对其进行分割，得到标签图像。然后，使用 `mark_boundaries` 函数在图像边界处绘制轮廓线，并将结果显示出来。

需要注意的是，`mark_boundaries` 函数默认使用黑色绘制轮廓线，如果需要使用其他颜色，可以通过 `color` 参数指定。在这个例子中，我们将轮廓线的颜色设置为红色。

相关问题

skimage.segmentation的mark_boundary如何画方框计算长宽

`skimage.segmentation.mark_boundary`函数是用来在图像上标记出分割边界的，它并不会画方框或计算长宽。如果您想要画方框并计算长宽，可以使用下面的代码：

import numpy as np
import matplotlib.pyplot as plt
from skimage import segmentation

# 读入图像
image = plt.imread('image.png')

# 做分割
labels = segmentation.slic(image, compactness=30, n_segments=400)

# 画出边界
boundary = segmentation.mark_boundaries(image, labels, color=(1, 0, 0))

# 找到最小外接矩形的左上角坐标、宽度和高度
regions = segmentation.find_boundaries(labels)
nonzero_rows, nonzero_cols = np.nonzero(regions)
x, y = np.min(nonzero_cols), np.min(nonzero_rows)
width, height = np.max(nonzero_cols) - x, np.max(nonzero_rows) - y

# 在图片上画出最小外接矩形
plt.imshow(boundary)
plt.plot([x, x+width], [y, y], 'r', linewidth=2)
plt.plot([x+width, x+width], [y, y+height], 'r', linewidth=2)
plt.plot([x+width, x], [y+height, y+height], 'r', linewidth=2)
plt.plot([x, x], [y+height, y], 'r', linewidth=2)
plt.show()

# 输出长宽
print('width:', width)
print('height:', height)

这里使用了`skimage.segmentation.find_boundaries`函数找到分割边界，然后找到最小外接矩形的左上角坐标和宽度、高度。最后使用`matplotlib`画出最小外接矩形。

有两张大小相同的图像A和B，利用代码：from skimage.segmentation import slic from skimage.segmentation import mark_boundaries from skimage.util import img_as_float import matplotlib.pyplot as plt import numpy as np import cv2 # args args = {"image": './1.png'} # load the image and apply SLIC and extract (approximately) # the supplied number of segments image = cv2.imread(args["image"]) segments = slic(img_as_float(image), n_segments=100, sigma=5) # show the output of SLIC fig = plt.figure('Superpixels') ax = fig.add_subplot(1, 1, 1) ax.imshow(mark_boundaries(img_as_float(cv2.cvtColor(image, cv2.COLOR_BGR2RGB)), segments)) plt.axis("off") plt.show() print("segments:\n", segments) print("np.unique(segments):", np.unique(segments)) # loop over the unique segment values for (i, segVal) in enumerate(np.unique(segments)): # construct a mask for the segment print("[x] inspecting segment {}, for {}".format(i, segVal)) mask = np.zeros(image.shape[:2], dtype="uint8") mask[segments == segVal] = 255 print(mask.shape) # show the masked region cv2.imshow("Mask", mask) cv2.imshow("Applied", np.multiply(image, cv2.cvtColor(mask, cv2.COLOR_GRAY2BGR) > 0)) cv2.waitKey(0)，对A进行超像素分割，将A划分的每个超像素块范围进行记录，应用到B上，使B直接得到超像素图像。给出pytorch实现代码

以下是使用PyTorch实现将图像B应用超像素图像A的代码：

import torch
import numpy as np
import cv2
import matplotlib.pyplot as plt
from skimage.segmentation import slic, mark_boundaries
from skimage.util import img_as_float

# Load the images
image_a_path = './image_a.png'
image_b_path = './image_b.png'
image_a = cv2.imread(image_a_path)
image_b = cv2.imread(image_b_path)

# Generate superpixels for image A
segments_a = slic(img_as_float(image_a), n_segments=100, sigma=5)

# Loop over the unique segment values for image A
for seg_val in np.unique(segments_a):
    # Construct a mask for the segment
    mask = np.zeros(image_a.shape[:2], dtype="uint8")
    mask[segments_a == seg_val] = 255

    # Apply the mask to image B
    masked_image_b = np.multiply(image_b, cv2.cvtColor(mask, cv2.COLOR_GRAY2BGR) > 0)

    # Convert the masked image to a PyTorch tensor
    tensor_image = torch.from_numpy(masked_image_b.astype(np.float32)).permute(2, 0, 1) / 255.0

    # TODO: Apply your PyTorch model to the tensor_image

    # Convert the output tensor to a masked image
    output_image = tensor_image.permute(1, 2, 0).numpy() * 255.0
    output_image = output_image.astype(np.uint8)
    output_image = np.multiply(output_image, cv2.cvtColor(mask, cv2.COLOR_GRAY2BGR) > 0)

    # Show the output image
    fig = plt.figure('Output')
    ax = fig.add_subplot(1, 1, 1)
    ax.imshow(output_image)
    plt.axis("off")
    plt.show()

在上面的代码中，我们首先加载了图像A和图像B。然后，我们使用skimage.segmentation中的slic函数生成图像A的超像素图像。对于每个超像素块，我们构造一个掩膜并将其应用到图像B上。然后，我们将掩膜后的图像转换为PyTorch张量，并将其输入到您的PyTorch模型中。最后，我们将输出张量转换回图像格式，并将其与掩膜相乘以获得最终输出图像。