### 自动生成图像种子点的 Python 代码 为了实现自动标记图像中的种子点，通常会结合图像分割技术以及一些特定算法。以下是基于 OpenCV 和 NumPy 的一种方法，该方法通过分析图像的梯度信息、距离变换等方式自动生成种子点。 #### 方法概述 此方法的核心在于利用图像的距离变换和局部极大值检测来生成种子点。具体来说，通过对二值化后的图像应用 `cv2.distanceTransform` 函数计算每个前景像素到最近背景像素的距离，并提取这些距离的最大值作为潜在的种子点位置[^3]。 下面是完整的代码示例： ```python import cv2 import numpy as np from scipy.ndimage import label, maximum_position def generate_seed_points(image_path): # 加载并转换为灰度图 img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) # 阈值化处理得到二值图像 _, binary_img = cv2.threshold(img, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU) # 距离变换 distance_transform = cv2.distanceTransform(binary_img, cv2.DIST_L2, 5) # 归一化以便于显示（可选） normalized_distance = cv2.normalize(distance_transform, None, 0, 1.0, cv2.NORM_MINMAX) # 使用最大值抑制获取局部极大值 local_maxima = peak_local_max(normalized_distance, min_distance=20, threshold_abs=0.1) # 将局部极大值转化为种子点坐标列表 seed_points = [] for point in local_maxima: y, x = point seed_points.append((y, x)) return seed_points, normalized_distance def visualize_seeds(seed_points, original_image, distance_map=None): # 创建彩色副本用于绘制种子点 color_img = cv2.cvtColor(original_image, cv2.COLOR_GRAY2BGR) for pt in seed_points: cv2.circle(color_img, (pt[1], pt[0]), radius=5, color=(0, 0, 255), thickness=-1) if distance_map is not None: plt.figure(figsize=(10, 5)) plt.subplot(121) plt.title("Original Image with Seeds") plt.imshow(cv2.cvtColor(color_img, cv2.COLOR_BGR2RGB)) plt.axis('off') plt.subplot(122) plt.title("Distance Transform Map") plt.imshow(distance_map, cmap='gray') plt.axis('off') plt.show() if __name__ == "__main__": from skimage.feature import peak_local_max import matplotlib.pyplot as plt image_path = './images/example.png' # 替换为实际路径 seeds, dist_map = generate_seed_points(image_path) orig_img = cv2.imread(image_path, cv2.IMREAD_GRAYSCALE) visualize_seeds(seeds, orig_img, dist_map) ``` #### 关键说明 - **距离变换**: 计算每个前景像素到最近背景像素的距离，从而突出可能的目标中心区域。 - **局部极大值检测**: 利用 SciPy 提供的 `peak_local_max` 函数，在距离变换的结果中查找满足条件的局部极大值点作为种子点。 - **参数调整**: 可以通过修改 `min_distance` 或者 `threshold_abs` 参数控制种子点的数量与分布密度。 --- ###