图像处理:斑点检测和连接的组件
共 3444字,需浏览 7分钟
·
2021-03-15 10:27
点击上方“小白学视觉”,选择加"星标"或“置顶”
重磅干货,第一时间送达
蝴蝶与检测到的斑点
结合并补充图像中发现的每个单独的成分,可以绘制所需的部分内容。但是,如果只想独立检查每个单独的组件怎么办?从整个图片中分离出来,并创建一个不同的部分,这时就可以使用斑点检测技术和连接的分量算法分别分析图像分量。
它是为模型建立准备图像数据的最后步骤之一,通常在颜色检测和降噪之后执行操作,以最终从图像中找到所需的对象以进行进一步分析。以下汇总了斑点检测在图像处理中必不可少的原因:
寻找特征 描述要素周围的区域 比较功能以查找匹配项 兼容后使用这些匹配项
进行斑点检测的方法有三种:高斯的拉普拉斯算子(LoG),高斯的差分算子(DoG)和黑森州的行列式(DoH)。我们将不深入研究这些算法背后的数学原理,而是将讨论这些概念的python实现。为了说明起见,我们将使用此图像查看实际的斑点检测。
但是如果不导入必要的python库来完成所有这些工作,我们该如何编码?
from skimage.io import imread, imshow
from skimage.color import rgb2gray
from skimage.feature import blob_dog, blob_log, blob_doh
from math import sqrt
import matplotlib.pyplot as plt
import numpy as np
三种Blob检测方法的代码实现:
blobs_log = blob_log(im_bw, max_sigma=30, num_sigma=10, threshold=.1)
# Compute radii in the 3rd column.
blobs_log[:, 2] = blobs_log[:, 2] * sqrt(2) #normalizing and scaling parameter so that it matches the
blobs_dog = blob_dog(im_bw, max_sigma=30, threshold=.1)
blobs_dog[:, 2] = blobs_dog[:, 2] * sqrt(2)
blobs_doh = blob_doh(im_bw, max_sigma=30, threshold=.01)
blobs_list = [blobs_log, blobs_dog, blobs_doh]
colors = ['yellow', 'lime', 'red']
titles = ['Laplacian of Gaussian', 'Difference of Gaussian',
'Determinant of Hessian']
sequence = zip(blobs_list, colors, titles)
fig, axes = plt.subplots(1, 3, figsize=(9, 3), sharex=True, sharey=True)
ax = axes.ravel()
for idx, (blobs, color, title) in enumerate(sequence):
ax[idx].set_title(title)
ax[idx].imshow(im_bw, interpolation='nearest')
for blob in blobs:
y, x, r = blob
c = plt.Circle((x, y), r, color=color, linewidth=2, fill=False)
ax[idx].add_patch(c)
ax[idx].set_axis_off()
plt.tight_layout()
plt.show()
从左到右,可以观察到物体的检测变得更加灵敏。至于LoG,在某些情况下会将不同的对象聚集成一个检测对象。对于DoG和DoH,情况恰恰相反,对于DoH而言,检测更加精细。假定只检测一次的对象,被多次检测到。尽管我们成功地对特定图像实现了斑点检测,但在大多数情况下,在现实生活中,我们不仅关注本质上是圆形的斑点。
相反,我们将连接的组件视为分析中关注的焦点。这种方法的明显缺点是,它严重依赖于数据的干净程度。因此,通过调整颜色空间和进行形态学运算就可以解决问题,让我们回到我们的图像。
在使用所连接组件的skimage的label和region_properties函数之前,必须首先执行彻底的图像清理。下面是用户定义的功能,以执行此操作:
def multi_dil(im,num):
for i in range(num):
im = dilation(im)
return im
def multi_ero(im,num):
for i in range(num):
im = erosion(im)
return im
我们使用此链式操作来清洁图像:
im_cleaned = multi_ero(multi_dil(im_bw,5),5)
imshow(im_cleaned)
现在这是相对干净的,让我们获取该图像的标签和属性!
label_im = label(im_cleaned)
imshow(label_im)
注意:有连接的糖果(意味着它们将被视为单个对象)。因此,它们将具有相同的标签。必须执行形态学操作以分离图像。但是,请注意,这将影响其他对象,这意味着你们将删除或添加信息。
现在,让我们使用regionprops并查看以下属性:
区域 周长 bbox —边界框尺寸 bbox_area —边界框的面积 质心—质心的坐标 凸面图像— Blob的凸面外壳 凸面区域—凸面船体的面积 偏心率—测量其如何适合圆的椭圆(0)(对象的伸长程度) major_axis_length —拟合的椭圆的主要矩的长度 minor_axis_length —拟合的椭圆的次要矩的长度
让我们尝试一下第一个糖果的区域:
props=regionprops(label_im)
props[0].area #area (zero) 0th object in the image
输出:4453
第五糖果的边框坐标如何?
props[5].bbox #bounding box of 5th image
输出:(118、473、209、521)
使用label和region_props函数可以完成更多工作。对这个主题有深入的了解,因为它将在图像处理的更高级的主题中派上用场。
交流群
欢迎加入公众号读者群一起和同行交流,目前有SLAM、三维视觉、传感器、自动驾驶、计算摄影、检测、分割、识别、医学影像、GAN、算法竞赛等微信群(以后会逐渐细分),请扫描下面微信号加群,备注:”昵称+学校/公司+研究方向“,例如:”张三 + 上海交大 + 视觉SLAM“。请按照格式备注,否则不予通过。添加成功后会根据研究方向邀请进入相关微信群。请勿在群内发送广告,否则会请出群,谢谢理解~