基于区域方法的Python图像分割

我正在尝试用生长区域法对n个区域进行图像分割。在下面的代码中，我对我正在采取的不同步骤进行了注释。在打印一些东西时，似乎我没有遍历整个图像，我不知道为什么。我有什么明显的遗漏吗

def neighbouring():
    return [[-1, -1], [0, -1], [1, -1], [1, 0], [1, 1], [0, 1], [-1, 1], [-1, 0]]

def GrowingRegions(img, seeds, thresh):
    height, weight = img.shape
    neighbours = neighbouring()
    means = []
    regions = []
    seen = []
    for p in seeds: #for each point in the seeds
        #if p is already associated to a region, skip it
        for points in seen: 
            if np.array_equal(p, points):
                continue
                
        #create a new region r
        r = [p]
        #compute the mean 
        mean_r = img[p[0], p[1]]
        #create a list of neighbours for the point p
        n = [np.array((p[0] + neighbours[i][0], p[1] + neighbours[i][1])) for i in range(8)]
        
        #for each point in the neighbours 
        for point in n:
            (tempX, tempY) = point
            
            #check if you are within the image
            if tempX < 0 or tempY < 0 or tempX >= height or tempY >= weight:
                continue 
                
            #compute the gray level difference between the image at the point and the mean of the region
            gray_diff = abs(img[point[0]][point[1]] - mean_r)
            #check if the point is already associated to a region
            res = True
            for points in seen:
                if np.array_equal(point, points):
                    res = False
            
            #if it is not and the gray level difference is within threshold
            if res and (gray_diff < thresh):
                
                #we add the point to the region
                r.append(point)
                
                #we add it to the seen list as the point has been associated to the region
                seen.append(point)
                
                #we updated the neighhbours with the neighbours of the point
                neigh_p = [np.array((point[0] + neighbours[i][0], point[1] + neighbours[i][1])) for i in range(8)]
                n += neigh_p #add the neighbours of the point we just considered

                #update the mean
                mean_r = np.mean(r) #update the mean     
    
        regions.append(r) #add the final region to the regions list
    
    #here we want to associated each x,y to a label
    #the regions list to have [[points in region 1], [points in region 2], [points in region 3]...]
    
    #we take each point in region 1 (for example), and set its label to the mean of region 1 and so on 
    labels = np.zeros(img.shape)
    means = []
    for r in regions:
        mean = 0
        for i in range(len(r)):
            mean += img[r[i][0], r[i][1]]
        means.append(mean/len(r))
    
    for i,r in enumerate(regions):
        for points in r:
            x,y = points
            labels[x,y] = means[i] #set the label of x,y as the mean of the region
            
    return labels

def（）：
返回[-1，-1]、[0，-1]、[1，-1]、[1,0]、[1,1]、[0,1]、-1,1]、-1,0]]
def生长区域（img、种子、脱粒）：
高度、重量=img.shape
邻居
平均数=[]
区域=[]
SEED=[]
对于种子中的p：#对于种子中的每个点
#如果p已关联到某个区域，请跳过它
对于seen中的点：
如果np.数组_相等（p，点）：
持续
#创建一个新的区域r
r=[p]
#计算平均数
平均值=img[p[0]，p[1]]
#创建点p的邻居列表
n=[np.数组（（p[0]+邻域[i][0]，p[1]+邻域[i][1]），用于范围（8）中的i）
#对于邻居中的每个点
对于n点：
（tempX，tempY）=点
#检查您是否在图像中
如果tempX<0或tempY<0或tempX>=身高或tempY>=体重：
继续
#计算点处图像与区域平均值之间的灰度差
灰色差异=绝对值（img[点[0]][点[1]]-平均值）
#检查该点是否已关联到某个区域
res=真
对于seen中的点：
如果np.数组_相等（点，点）：
res=False
#如果不是，则灰度差在阈值内
如果分辨率和（灰度差值<阈值）：
#我们将该点添加到该区域
r、 附加（点）
#我们将其添加到SEED列表中，因为该点已与该区域关联
seen.append（点）
#我们用该点的邻居更新了附近的街道
neigh_p=[np.数组（（点[0]+邻域[i][0]，点[1]+邻域[i][1]），用于范围（8）内的i）
n+=neigh_p#加上我们刚才考虑的点的邻域
#更新平均值
平均值r=np.mean（r）#更新平均值
区域。追加（r）#将最后一个区域添加到区域列表中
#这里我们要将每个x，y关联到一个标签
#区域列表中有[[区域1中的点]、[区域2中的点]、[区域3中的点]…]
#我们以区域1中的每个点为例，将其标签设置为区域1的平均值，依此类推
标签=np.零（img.形状）
平均数=[]
对于区域内的r：
平均值=0
对于范围内的i（len（r））：
平均值+=img[r[i][0]，r[i][1]]
平均值。附加（平均值/长度（r））
对于枚举中的i，r（区域）：
对于r中的点：
x、 y=点
labels[x，y]=表示[i]#将x，y的标签设置为区域的平均值
退货标签

编辑：

我使用10个种子点，每个像素值被归一化为0到1之间，但我仍然收到一个黑色图像

def neighbouring():
    return [[-1, -1], [0, -1], [1, -1], [1, 0], [1, 1], [0, 1], [-1, 1], [-1, 0]]

def GrowingRegions(img, seeds, thresh):
    height, weight = img.shape
    neighbours = neighbouring()
    regions = []
    seen = []
    for p in seeds: 
        for points in seen: 
            if np.array_equal(p, points):
                continue
                
        r = [p]
        mean_r = img[p[0], p[1]]
        n = [np.array([p[0] + neighbours[i][0], p[1] + neighbours[i][1]]) for i in range(8)]
        new_n = n.copy()
        while len(new_n) > 0:
            for point in n:
                new_n.remove(point)
                (tempX, tempY) = point
                if tempX < 0 or tempY < 0 or tempX >= height or tempY >= weight:
                    continue 

                gray_diff = abs(img[point[0]][point[1]] - mean_r)

                res = True
                for points in seen:
                    if np.array_equal(point, points):
                        res = False

                if res and (gray_diff < thresh):

                    r.append(point)
                    seen.append(point)
                    neigh_p = [np.array((point[0] + neighbours[i][0], point[1] + neighbours[i][1])) for i in range(8)]
                    n.extend(neigh_p)
                    new_n.extend(neigh_p)
                    mean_r = np.mean(r) 
            n = new_n
        regions.append(r) 
    
    labels = np.zeros(img.shape)
    means = []
    for r in regions:
        mean = 0
        for i in range(len(r)):
            mean += img[r[i][0], r[i][1]]
        means.append(mean/len(r))
    
    for i,r in enumerate(regions):
        for points in r:
            x,y = points
            labels[x,y] = means[i] #set the label of x,y as the mean of the region
    return labels
                

def（）：
返回[-1，-1]、[0，-1]、[1，-1]、[1,0]、[1,1]、[0,1]、-1,1]、-1,0]]
def生长区域（img、种子、脱粒）：
高度、重量=img.shape
邻居
区域=[]
SEED=[]
对于种子中的磷：
对于seen中的点：
如果np.数组_相等（p，点）：
持续
r=[p]
平均值=img[p[0]，p[1]]
n=[np.数组（[p[0]+邻域[i][0]，p[1]+邻域[i][1]]），用于范围（8）中的i）
新的拷贝
而len（new_n）>0：
对于n点：
新删除（点）
（tempX，tempY）=点
如果tempX<0或tempY<0或tempX>=身高或tempY>=体重：
继续
灰色差异=绝对值（img[点[0]][点[1]]-平均值）
res=真
对于seen中的点：
如果np.数组_相等（点，点）：
res=False
如果分辨率和（灰度差值<阈值）：
r、 附加（点）
seen.append（点）
neigh_p=[np.数组（（点[0]+邻域[i][0]，点[1]+邻域[i][1]），用于范围（8）内的i）
n、 扩展（neigh_p）
新扩展（neigh\p）
平均值=np.平均值（r）
n=新的
区域。追加（r）
标签=np.零（img.形状）
平均数=[]
对于区域内的r：
平均值=0
对于范围内的i（len（r））：
平均值+=img[r[i][0]，r[i][1]]
平均值。附加（平均值/长度（r））
对于枚举中的i，r（区域）：
对于r中的点：
x、 y=点
labels[x，y]=表示[i]#将x，y的标签设置为区域的平均值
退货标签

种子位置是否完全覆盖图像的所有区域？您可能需要使用更多的种子位置我也尝试了10个种子，但最终的图像对我来说只是黑色的。我怀疑，因为我的循环没有循环通过所有像素，我实际上没有正确地“增长”我的区域。每当你将它添加到一个区域的相邻点时，你需要将它添加到某个队列中。然后，您需要不断地遍历该队列，对于排队点的每个相邻点，执行相同的操作，添加未分配的邻居，直到队列最终为空。现在，除了将相邻点指定给区域外，您不使用它们。谢谢您的回答，但我使用我的邻居列表n（我将poi的邻居添加到该列表中）