图像处理之基于泛红算法的二值图像内部区域填充

简介: 图像处理之基于泛红算法的二值图像内部区域填充一:基本原理在二值图像处理中有个常用的操作叫做Hole Fill意思是填充所有封闭区域的内部,这种算法在二值图像基础上的对象识别与提取有很大作用。基于泛红填充算法实现二值图像内部区域填充是一直快速填充算法。

图像处理之基于泛红算法的二值图像内部区域填充

一:基本原理

在二值图像处理中有个常用的操作叫做Hole Fill意思是填充所有封闭区域的内部,这种算法在二值图像基础上的对象识别与提取有很大作用。基于泛红填充算法实现二值图像内部区域填充是一直快速填充算法。


因为泛红填充通常需要指定从一个点开始,填满整个封闭区域,对一张二值图像来说,我们最好的办法是把背景当成一个封闭区域,从上向下从左到右查到第一个背景像素点,基于扫描线算法实现全部填充成一个非0,255之外的一个像素值,我这里是127。填充完成之后再一次从左到右,从上向下检查每个像素值如果是127的则为背景像素,否则全部设为前景像素。这样就完成二值图像每个封闭区域内部填充。


二:算法实现步骤

1.      读取二值图像

2.      基于扫描线算法对背景像素区域进行泛红填充,填充值为127

3.      循环每个像素对值为127的设为背景像素,其它值设为前景像素

4.      返回填充之后的二值图像像素数据

三:代码实现

package com.gloomyfish.basic.imageprocess;

public class FloodFillAlgorithm extends AbstractByteProcessor {
	private int foreground;
	private int background;
	private byte[] data;
	private int width;
	private int height;

	// stack data structure
	private int maxStackSize = 500; // will be increased as needed
	private int[] xstack = new int[maxStackSize];
	private int[] ystack = new int[maxStackSize];
	private int stackSize;

	public FloodFillAlgorithm(byte[] data) {
		this.data = data;
		this.foreground = 0;
		this.background = 255 - this.foreground;
	}

	public int getColor(int x, int y) {
		int index = y * width + x;
		return data[index] & 0xff;
	}

	public void setColor(int x, int y, int newColor) {
		int index = y * width + x;
		data[index] = (byte) newColor;
	}

	public void floodFillScanLineWithStack(int x, int y, int newColor, int oldColor) {
		if (oldColor == newColor) {
			System.out.println("do nothing !!!, filled area!!");
			return;
		}
		emptyStack();

		int y1;
		boolean spanLeft, spanRight;
		push(x, y);

		while (true) {
			x = popx();
			if (x == -1)
				return;
			y = popy();
			y1 = y;
			while (y1 >= 0 && getColor(x, y1) == oldColor)
				y1--; // go to line top/bottom
			y1++; // start from line starting point pixel
			spanLeft = spanRight = false;
			while (y1 < height && getColor(x, y1) == oldColor) {
				setColor(x, y1, newColor);
				if (!spanLeft && x > 0 && getColor(x - 1, y1) == oldColor)// just
																			// keep
																			// left
																			// line
																			// once
																			// in
																			// the
																			// stack
				{
					push(x - 1, y1);
					spanLeft = true;
				} else if (spanLeft && x > 0 && getColor(x - 1, y1) != oldColor) {
					spanLeft = false;
				}
				if (!spanRight && x < width - 1 && getColor(x + 1, y1) == oldColor) // just
																					// keep
																					// right
																					// line
																					// once
																					// in
																					// the
																					// stack
				{
					push(x + 1, y1);
					spanRight = true;
				} else if (spanRight && x < width - 1 && getColor(x + 1, y1) != oldColor) {
					spanRight = false;
				}
				y1++;
			}
		}

	}

	private void emptyStack() {
		while (popx() != -1) {
			popy();
		}
		stackSize = 0;
	}

	final void push(int x, int y) {
		stackSize++;
		if (stackSize == maxStackSize) {
			int[] newXStack = new int[maxStackSize * 2];
			int[] newYStack = new int[maxStackSize * 2];
			System.arraycopy(xstack, 0, newXStack, 0, maxStackSize);
			System.arraycopy(ystack, 0, newYStack, 0, maxStackSize);
			xstack = newXStack;
			ystack = newYStack;
			maxStackSize *= 2;
		}
		xstack[stackSize - 1] = x;
		ystack[stackSize - 1] = y;
	}

	final int popx() {
		if (stackSize == 0)
			return -1;
		else
			return xstack[stackSize - 1];
	}

	final int popy() {
		int value = ystack[stackSize - 1];
		stackSize--;
		return value;
	}

	@Override
	public void process(int width, int height) {
		this.width = width;
		this.height = height;

		for (int y = 0; y < height; y++) {
			if (getColor(0, y) == background)
				floodFillScanLineWithStack(0, y, 127, 255);
			if (getColor(width - 1, y) == background)
				floodFillScanLineWithStack(width - 1, y, 127, 255);
		}
		for (int x = 0; x < width; x++) {
			if (getColor(x, 0) == background)
				floodFillScanLineWithStack(x, 0, 127, 255);
			if (getColor(x, height - 1) == background)
				floodFillScanLineWithStack(x, height - 1, 127, 255);
		}
		
		int p = 0;
		for (int i = 0; i < data.length; i++) {
			p = data[i]&0xff;
			if (p == 127)
				data[i] = (byte)255;
			else
				data[i] = (byte)0;
		}
	}

}
四:运行结果


使用代码,要先读取二值图像数据到data字节数组

FloodFillAlgorithm ffa = new FloodFillAlgorithm(data);
		ffa.process(width, height);


目录
相关文章
|
5天前
|
算法 测试技术 C++
【动态规划算法】蓝桥杯填充问题(C/C++)
【动态规划算法】蓝桥杯填充问题(C/C++)
|
6天前
|
算法 数据安全/隐私保护
织物图像的配准和拼接算法的MATLAB仿真,对比SIFT,SURF以及KAZE
本项目展示了织物瑕疵检测中的图像拼接技术,使用SIFT、SURF和KAZE三种算法。通过MATLAB2022a实现图像匹配、配准和拼接,最终检测并分类织物瑕疵。SIFT算法在不同尺度和旋转下保持不变性;SURF算法提高速度并保持鲁棒性;KAZE算法使用非线性扩散滤波器构建尺度空间,提供更先进的特征描述。展示视频无水印,代码含注释及操作步骤。
|
1月前
|
算法 数据可视化 数据安全/隐私保护
基于LK光流提取算法的图像序列晃动程度计算matlab仿真
该算法基于Lucas-Kanade光流方法,用于计算图像序列的晃动程度。通过计算相邻帧间的光流场并定义晃动程度指标(如RMS),可量化图像晃动。此版本适用于Matlab 2022a,提供详细中文注释与操作视频。完整代码无水印。
|
3月前
|
机器学习/深度学习 编解码 监控
算法金 | 深度学习图像增强方法总结
**图像增强技术概括** 图像增强聚焦于提升视觉效果和细节,广泛应用于医学、遥感等领域。空间域增强包括直方图均衡化(增强对比度)、对比度拉伸、灰度变换、平滑滤波(均值、中值)和锐化滤波(拉普拉斯、高通)。频率域增强利用傅里叶变换、小波变换,通过高频和低频滤波增强图像特征。现代方法涉及超分辨率重建、深度学习去噪(如CNN、Autoencoder)、图像修复(如GAN)和GANs驱动的多种图像处理任务。
86 14
算法金 | 深度学习图像增强方法总结
|
2月前
|
算法 前端开发 计算机视觉
基于均值坐标(Mean-Value Coordinates)的图像融合算法的优化实现
基于均值坐标(Mean-Value Coordinates)的图像融合算法的优化实现
30 0
|
2月前
|
自然语言处理 并行计算 算法
基于均值坐标(Mean-Value Coordinates)的图像融合算法的具体实现
基于均值坐标(Mean-Value Coordinates)的图像融合算法的具体实现
37 0
|
3月前
|
机器学习/深度学习 人工智能 自然语言处理
|
3月前
|
算法
基于粒子群优化的图像融合算法matlab仿真
这是一个基于粒子群优化(PSO)的图像融合算法,旨在将彩色模糊图像与清晰灰度图像融合成彩色清晰图像。在MATLAB2022a中测试,算法通过PSO求解最优融合权值参数,经过多次迭代更新粒子速度和位置,以优化融合效果。核心代码展示了PSO的迭代过程及融合策略。最终,使用加权平均法融合图像,其中权重由PSO计算得出。该算法体现了PSO在图像融合领域的高效性和融合质量。
|
4月前
|
机器学习/深度学习 人工智能 算法
【CVPR2024】面向StableDiffusion的编辑算法FreePromptEditing,提升图像编辑效果
近日,阿里云人工智能平台PAI与华南理工大学贾奎教授团队合作在深度学习顶级会议 CVPR2024 上发表 FPE(Free-Prompt-Editing) 算法,这是一种面向StableDiffusion的图像编辑算法。在这篇论文中,StableDiffusion可用于实现图像编辑的本质被挖掘,解释证明了基于StableDiffusion编辑的算法本质,并基于此设计了新的图像编辑算法,大幅度提升了图像编辑的效率。
|
4月前
|
算法 计算机视觉
基于Chan-Vese算法的图像边缘提取matlab仿真
**算法预览展示了4幅图像,从边缘检测到最终分割,体现了在matlab2022a中应用的Chan-Vese水平集迭代过程。核心代码段用于更新水平集并显示迭代效果,最后生成分割结果及误差曲线。Chan-Vese模型(2001)是图像分割的经典方法,通过最小化能量函数自动检测平滑区域和清晰边界的图像分割,适用于复杂环境,广泛应用于医学影像和机器视觉。**