图像处理之基于图的广度优先搜索组件标记算法

简介: 图像处理之基于图的广度优先搜索组件标记算法

图像处理之基于图的广度优先搜索组件标记算法

一:图的遍历与广度优先搜索算法

图的遍历算法最常用是广度优先搜索算法(BFS)与深度优先搜索算法(DFS),从一个的

节点开始,访问相邻的所有子节点,接着从这些子节点出发访问下个相邻子节点,如

此重复直到所有节点都被访问。

二:二值图像组件标记实现流程

如果把图像的每个像素点看成为图的一个节点,则二值图像中的每个连通区域都可以

看成一个无向图,只要遍历图像中的每个像素点就可以找出每个连通区域,实现对二

值图像连通区域组件的标记。大致步骤为:

1.      扫描图像的每个像素点,获得位置信息与图像的灰度值强度(0~255)成为图的节点

2.      对每个节点,初始化状态与获取它的上下左右四个邻域节点


1.      遍历每个节点- BFS

2.      输出结果与显示

三:运行效果

四:关键程序实现代码

图的搜索算法,节点状态有三种,未访问(Unvisit),已经访问(Visited),已经标记(Marked)

package com.gloomyfish.image.watershed;
 
import java.util.HashMap;
import java.util.List;
import java.util.Map;
 
/**
 * Breath First Search for graphics
 * @author gloomyfish
 *
 */
public class BFSAlgorithm {
  private List<PixelPoint> pixelList = null;
  private int grayLevel = 1;
  public int getGrayLevel() {
    return grayLevel;
  }
  
  public int getTotalOfLabels()
  {
    Map<Integer, Integer> labelMap = new HashMap<Integer, Integer>();
    for(PixelPoint p : pixelList)
    {
      if(p.getValue() >= grayLevel)
      {
        if(labelMap.containsKey(p.getLabel()))
        {
          Integer count = labelMap.get(p.getLabel());
          count += 1;
          labelMap.put(p.getLabel(), count);
        }
        else
        {
          labelMap.put(p.getLabel(), new Integer(1));
        }
      }
    }
    Integer[] keys = labelMap.keySet().toArray(new Integer[0]);
    for(Integer key : keys)
    {
      System.out.println("Label index : " + key);
    }
    System.out.println("total labels : " + labelMap.size());
    return labelMap.size();
  }
 
  public void setGrayLevel(int grayLevel) {
    this.grayLevel = grayLevel;
  }
 
  public BFSAlgorithm(List<PixelPoint> pixelList)
  {
    this.pixelList = pixelList;
    grayLevel = 1; // front color - target pixel
  }
  
  public void process()
  {
    if(this.pixelList == null) return;
    int label = 1;
    for(PixelPoint pp : pixelList)
    {
      if(pp.getValue() >= grayLevel)
      {
        if(pp.getStatus() == PixelPoint.UNMARKED)
        {
          pp.setStatus(PixelPoint.VISITED);
          pp.setLabel(label);
          MyQueue mq = new MyQueue(10000);
          for(PixelPoint npp : pp.getNeighbours())
          {
            if(npp.getStatus() == PixelPoint.UNMARKED && npp.getValue() >= grayLevel)
            {
              npp.setStatus(PixelPoint.MARKED);
              mq.enqueue(npp);
            }
          }
          while(!mq.isEmpty())
          {
            PixelPoint obj = (PixelPoint)mq.dequeue();
            if(obj.getStatus() == PixelPoint.MARKED)
            {
              obj.setLabel(label);
              obj.setStatus(PixelPoint.VISITED);
            }
            for(PixelPoint nnpp : obj.getNeighbours())
            {
              if(nnpp.getStatus() == PixelPoint.UNMARKED && nnpp.getValue() >= grayLevel)
              {
                nnpp.setStatus(PixelPoint.MARKED);
                mq.enqueue(nnpp);
              }
            }
          }
          label++;
        }
      }
    }
  }
 
}

图像组件标记算法代码:

package com.gloomyfish.image.watershed;
 
import java.awt.image.BufferedImage;
import java.util.ArrayList;
import java.util.List;
 
import com.gloomyfish.filter.study.AbstractBufferedImageOp;
/**
 * work for binary image
 * @author fish
 *
 */
public class LabelledConnectedRegionAlg extends AbstractBufferedImageOp {
 
  @Override
  public BufferedImage filter(BufferedImage src, BufferedImage dest) {
    int width = src.getWidth();
        int height = src.getHeight();
 
        if ( dest == null )
            dest = createCompatibleDestImage( src, null );
        List<PixelPoint> pixelList = new ArrayList<PixelPoint>();
        int[] inPixels = new int[width*height];
        int[] outPixels = new int[width*height];
        getRGB( src, 0, 0, width, height, inPixels );
        int index = 0;
        for(int row=0; row<height; row++) {
          for(int col=0; col<width; col++) {
            index = row * width + col;
            PixelPoint p = new PixelPoint(row, col, (inPixels[index] >> 16) & 0xff);
            pixelList.add(p);
          }
        }
        
        for(int row=0; row<height; row++) {
          for(int col=0; col<width; col++) {
            index = row * width + col;
            PixelPoint p = pixelList.get(index);
            
            // add four neighbors for each pixel
            if((row - 1) >= 0)
            {
              index = (row-1) * width + col;
              p.addNeighour(pixelList.get(index));
            }
            if((row + 1) < height)
            {
              index = (row+1) * width + col;
              p.addNeighour(pixelList.get(index));
            }
            if((col - 1) >= 0)
            {
              index = row * width + col-1;
              p.addNeighour(pixelList.get(index));
            }
            if((col+1) < width)
            {
              index = row * width + col+1;
              p.addNeighour(pixelList.get(index));
            }
          }
        }
 
        BFSAlgorithm bfs = new BFSAlgorithm(pixelList);
        bfs.process();
        int labels = bfs.getTotalOfLabels();
        int unit = 255 / (labels+1);
        
        // post process - color different labels
        for(int row=0; row<height; row++) {
          int ta = 0, tr = 0, tg = 0, tb = 0;
          for(int col=0; col<width; col++) {
            index = row * width + col;
            PixelPoint p = pixelList.get(index);
            ta = 255;
            if(p.getLabel() > 0)
            {
              tr = 0; // unit * p.getLabel();
                  tg = unit * p.getLabel();
                  tb = unit * p.getLabel();
            }
            else
            {
                tr = p.getValue();
                    tg = p.getValue();
                    tb = p.getValue();
            }
                outPixels[index] = (ta << 24) | (tr << 16) | (tg << 8) | tb;
          }
        }
        
        setRGB( dest, 0, 0, width, height, outPixels );
        return dest;
  }
 
}

转载请务必注明

相关实践学习
消息队列RocketMQ版:基础消息收发功能体验
本实验场景介绍消息队列RocketMQ版的基础消息收发功能,涵盖实例创建、Topic、Group资源创建以及消息收发体验等基础功能模块。
消息队列 MNS 入门课程
1、消息队列MNS简介 本节课介绍消息队列的MNS的基础概念 2、消息队列MNS特性 本节课介绍消息队列的MNS的主要特性 3、MNS的最佳实践及场景应用 本节课介绍消息队列的MNS的最佳实践及场景应用案例 4、手把手系列:消息队列MNS实操讲 本节课介绍消息队列的MNS的实际操作演示 5、动手实验:基于MNS,0基础轻松构建 Web Client 本节课带您一起基于MNS,0基础轻松构建 Web Client
相关文章
|
27天前
|
JSON 算法 数据挖掘
基于图论算法有向图PageRank与无向图Louvain算法构建指令的方式方法 用于支撑qwen agent中的统计相关组件
利用图序列进行数据解读,主要包括节点序列分析、边序列分析以及结合节点和边序列的综合分析。节点序列分析涉及节点度分析(如入度、出度、度中心性)、节点属性分析(如品牌、价格等属性的分布与聚类)、节点标签分析(如不同标签的分布及标签间的关联)。边序列分析则关注边的权重分析(如关联强度)、边的类型分析(如管理、协作等关系)及路径分析(如最短路径计算)。结合节点和边序列的分析,如子图挖掘和图的动态分析,可以帮助深入理解图的结构和功能。例如,通过子图挖掘可以发现具有特定结构的子图,而图的动态分析则能揭示图随时间的变化趋势。这些分析方法结合使用,能够从多个角度全面解读图谱数据,为决策提供有力支持。
|
2月前
|
存储 算法 Java
【JVM】垃圾释放方式:标记-清除、复制算法、标记-整理、分代回收
【JVM】垃圾释放方式:标记-清除、复制算法、标记-整理、分代回收
66 2
|
3月前
|
XML JavaScript 前端开发
学习react基础(1)_虚拟dom、diff算法、函数和class创建组件
本文介绍了React的核心概念,包括虚拟DOM、Diff算法以及如何通过函数和类创建React组件。
36 3
|
2月前
|
机器学习/深度学习 存储 算法
数据结构与算法——BFS(广度优先搜索)
数据结构与算法——BFS(广度优先搜索)
|
5月前
|
存储 算法 Python
“解锁Python高级数据结构新姿势:图的表示与遍历,让你的算法思维跃升新高度
【7月更文挑战第13天】Python中的图数据结构用于表示复杂关系,通过节点和边连接。常见的表示方法是邻接矩阵(适合稠密图)和邻接表(适合稀疏图)。图遍历包括DFS(深度优先搜索)和BFS(广度优先搜索):DFS深入探索分支,BFS逐层访问邻居。掌握这些技巧对优化算法和解决实际问题至关重要。**
52 1
|
5月前
|
算法 Java
Java面试题:解释垃圾回收中的标记-清除、复制、标记-压缩算法的工作原理
Java面试题:解释垃圾回收中的标记-清除、复制、标记-压缩算法的工作原理
67 1
|
5月前
|
算法 Java
Java演进问题之标记-复制算法导致更多的内存占用如何解决
Java演进问题之标记-复制算法导致更多的内存占用如何解决
|
5月前
|
算法 Java 程序员
Java面试题:解释Java的垃圾回收机制,包括常见的垃圾回收算法。介绍一下Java的垃圾回收算法中的标记-压缩算法。
Java面试题:解释Java的垃圾回收机制,包括常见的垃圾回收算法。介绍一下Java的垃圾回收算法中的标记-压缩算法。
53 0
|
5月前
|
数据采集 存储 算法
「AIGC算法」图搜索算法详解
本文探讨了图搜索算法,包括遍历和最短路径搜索。DFS和BFS是遍历算法,前者使用栈深入搜索,后者用队列逐层遍历。Dijkstra、Bellman-Ford、A*、Floyd-Warshall和Johnson算法则解决最短路径问题。文中还给出了DFS的Python实现示例。这些算法在路径规划、网络分析等领域有重要应用。
148 0
|
17天前
|
算法
基于WOA算法的SVDD参数寻优matlab仿真
该程序利用鲸鱼优化算法(WOA)对支持向量数据描述(SVDD)模型的参数进行优化,以提高数据分类的准确性。通过MATLAB2022A实现,展示了不同信噪比(SNR)下模型的分类误差。WOA通过模拟鲸鱼捕食行为,动态调整SVDD参数,如惩罚因子C和核函数参数γ,以寻找最优参数组合,增强模型的鲁棒性和泛化能力。