app.py

import numpy as np
import cv2
import matplotlib.pyplot as plt
from skimage.segmentation import watershed
from scipy import ndimage as ndi

def adaptive_region_growing(image, min_size=50):
    """Улучшенный Region Growing с адаптивным выбором семян"""
    # Автоматическое определение семян через локальные минимумы
    h, w = image.shape
    seeds = np.zeros_like(image, dtype=bool)
    
    # Находим локальные минимумы
    for y in range(1, h-1):
        for x in range(1, w-1):
            if image[y, x] < image[y-1:y+2, x-1:x+2].min():
                seeds[y, x] = True
    
    # Удаляем слишком близкие семена
    seeds = ndi.binary_erosion(seeds, structure=np.ones((3,3)))
    
    # Маркируем семена
    markers, _ = ndi.label(seeds)
    
    # Применяем водораздельную сегментацию
    labels = watershed(image, markers)
    return labels

def improved_split_and_merge(image, min_size=20, var_threshold=10, merge_threshold=15):
    """Улучшенный Split and Merge с дополнительным слиянием"""
    def _split(img, x, y, w, h):
        if w <= min_size or h <= min_size:
            return [(x, y, w, h)]
        
        region = img[y:y+h, x:x+w]
        if np.var(region) < var_threshold:
            return [(x, y, w, h)]
        
        w2, h2 = w//2, h//2
        regions = []
        regions.extend(_split(img, x, y, w2, h2))
        regions.extend(_split(img, x + w2, y, w - w2, h2))
        regions.extend(_split(img, x, y + h2, w2, h - h2))
        regions.extend(_split(img, x + w2, y + h2, w - w2, h - h2))
        return regions

    # Разделение
    regions = _split(image, 0, 0, image.shape[1], image.shape[0])
    
    # Создаем маску регионов
    mask = np.zeros(image.shape[:2], dtype=np.int32)
    for i, (x, y, w, h) in enumerate(regions):
        mask[y:y+h, x:x+w] = i + 1
    
    # Дополнительное слияние соседних регионов
    return merge_adjacent_regions(image, mask, merge_threshold)

def merge_adjacent_regions(image, mask, threshold=15):
    """Слияние смежных регионов со схожей интенсивностью"""
    h, w = image.shape
    new_mask = mask.copy()
    next_label = np.max(mask) + 1
    
    # Проверяем соседние регионы
    for y in range(1, h-1):
        for x in range(1, w-1):
            current = new_mask[y, x]
            neighbors = set()
            
            # Собираем соседние метки
            for dy in (-1, 0, 1):
                for dx in (-1, 0, 1):
                    if dy == 0 and dx == 0:
                        continue
                    ny, nx = y + dy, x + dx
                    neighbors.add(new_mask[ny, nx])
            
            # Удаляем фон и текущий регион
            neighbors.discard(0)
            neighbors.discard(current)
            
            # Проверяем схожесть регионов
            for n in neighbors:
                if n == 0 or n == current:
                    continue
                    
                # Сравниваем среднюю интенсивность
                mean_current = np.mean(image[new_mask == current])
                mean_neighbor = np.mean(image[new_mask == n])
                
                if abs(mean_current - mean_neighbor) < threshold:
                    # Объединяем регионы
                    new_mask[new_mask == n] = current
    
    # Перенумеровываем регионы
    return ndi.label(new_mask)[0]

def visualize_segmentation(image, mask):
    """Улучшенная визуализация: границы + цветные регионы"""
    # Находим границы
    boundaries = np.zeros_like(image)
    h, w = image.shape
    
    for y in range(1, h-1):
        for x in range(1, w-1):
            if (mask[y, x] != mask[y, x+1] or 
                mask[y, x] != mask[y+1, x]):
                boundaries[y, x] = 255
    
    # Создаем цветное представление регионов
    colored = np.zeros((h, w, 3), dtype=np.uint8)
    unique_labels = np.unique(mask)
    
    for label in unique_labels:
        if label == 0:  # Пропускаем фон
            continue
        color = np.random.randint(0, 255, size=3)
        colored[mask == label] = color
    
    # Наложение границ
    colored[boundaries == 255] = [0, 0, 255]
    return colored

# Загрузка и предобработка изображения
image_path = 'original.jpg'
original = cv2.imread(image_path)
if original is None:
    raise FileNotFoundError(f"Image not found at {image_path}")

# Конвертация и улучшение контраста
gray = cv2.cvtColor(original, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (5, 5), 0)

# Улучшенная предобработка
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
enhanced = clahe.apply(blurred)

# 1. Улучшенный Region Growing
rg_mask = adaptive_region_growing(enhanced)

# 2. Улучшенный Split and Merge
sm_mask = improved_split_and_merge(enhanced, min_size=15, var_threshold=5, merge_threshold=10)

# 3. Watershed как альтернатива
_, thresh = cv2.threshold(enhanced, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
kernel = np.ones((3,3), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=2)
sure_bg = cv2.dilate(opening, kernel, iterations=3)
dist_transform = cv2.distanceTransform(opening, cv2.DIST_L2, 5)
_, sure_fg = cv2.threshold(dist_transform, 0.5*dist_transform.max(), 255, 0)
sure_fg = np.uint8(sure_fg)
unknown = cv2.subtract(sure_bg, sure_fg)
_, markers = cv2.connectedComponents(sure_fg)
markers += 1
markers[unknown == 255] = 0
ws_mask = cv2.watershed(cv2.cvtColor(enhanced, cv2.COLOR_GRAY2BGR), markers)
ws_mask = np.where(ws_mask == -1, 0, ws_mask)

# Визуализация
rg_result = visualize_segmentation(enhanced, rg_mask)
sm_result = visualize_segmentation(enhanced, sm_mask)
ws_result = visualize_segmentation(enhanced, ws_mask)

# Сохранение результатов
cv2.imwrite('improved_region_growing.jpg', rg_result)
cv2.imwrite('improved_split_merge.jpg', sm_result)
cv2.imwrite('watershed.jpg', ws_result)

# Отображение
plt.figure(figsize=(18, 12))
plt.subplot(221), plt.imshow(original), plt.title('Original')
plt.subplot(222), plt.imshow(rg_result), plt.title('Improved Region Growing')
plt.subplot(223), plt.imshow(sm_result), plt.title('Improved Split & Merge')
plt.subplot(224), plt.imshow(ws_result), plt.title('Watershed')
plt.tight_layout()
plt.savefig('improved_segmentation_results.jpg')
plt.show()