xsk_random_walker — 2D `segmentation` op

• Datenarten: image → region

• Aufruf: fullseye.apply(img, "xsk_random_walker", a=0.5, b=0.5) (das 2-D-Modell ist ein Bild plus zwei skalare Regler a,b∈[0,1])

xsk_random_walker: 入力 → 出力

*Die Abbildung ist die tatsächliche Ausgabe auf einer synthetischen 128×128-Eingabe. Links Eingabe, rechts Ausgabe (ein Nicht-Bild-Rückgabewert wird als Wert gezeigt).*

Verwendung

Graphbasierte Regionensegmentierung mittels der Random-Walker-Methode.

> Die ausführliche Beschreibung unten ist der Originaltext — Zusammenfassung und Überschriften sind übersetzt.

skimage.segmentation.random_walker で、明暗の閾値から自動生成した

2 クラスのシード(marker)を出発点に、各画素がどちらのシードへ拡散

伝播しやすいかを解いて 2 値ラベルに分割し、そのラベル境界を返す

(返り値は領域そのものではなく、領域の境界線 region)。

`a がシードの閾値幅を振る(暗側シード < 0.3+0.2a`、明側シード

`> 0.7-0.2a。a` が大きいほどシードが広がり不定領域が減る)。

`b は拡散のしやすさを決める beta`(10〜210)を振り、大きいほど

エッジをまたいだ伝播が抑えられ境界がシャープになる。

Ausführlicher Anwendungsleitfaden

• Leitfaden zur Familie gallery2d_segmentation

Referenzen (Beispieldaten, Literatur)

• Katalog der Beispieldaten (Download-URLs / Lizenzen) — 2-D nutzt skimage.data (BSD/Public Domain) plus synthetische Bilder, 3-D nennt Download-URLs echter Datenquellen (Stanford, PDS, …).

• Herkunft und Literatur der Operatoren — die Quellen der Forschung/Verfahren, auf denen diese Operatorfamilie beruht.

• Der kanonische Algorithmus (Autor, Jahr) und seine Anwendungen stehen im Familienleitfaden oben.

In Studio ausprobieren

Das Programm unten ist nachweislich lauffähig (gleiche Eingabe wie die Abbildung). In der Studio-Hilfe wird dieser Block zu Schaltflächen, die es sofort laden und ausführen.