图像处理：斑点检测和连接的组件-技术圈

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。

斑点检测

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, imshowfrom skimage.color import rgb2grayfrom skimage.feature import blob_dog, blob_log, blob_dohfrom math import sqrtimport matplotlib.pyplot as pltimport 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 theblobs_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。

连接的组件

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 imdef 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。

下载1：OpenCV-Contrib扩展模块中文版教程

在「小白学视觉」公众号后台回复：扩展模块中文教程，即可下载全网第一份OpenCV扩展模块教程中文版，涵盖扩展模块安装、SFM算法、立体视觉、目标跟踪、生物视觉、超分辨率处理等二十多章内容。

下载2：Python视觉实战项目52讲

在「小白学视觉」公众号后台回复：Python视觉实战项目，即可下载包括图像分割、口罩检测、车道线检测、车辆计数、添加眼线、车牌识别、字符识别、情绪检测、文本内容提取、面部识别等31个视觉实战项目，助力快速学校计算机视觉。

下载3：OpenCV实战项目20讲

在「小白学视觉」公众号后台回复：OpenCV实战项目20讲，即可下载含有20个基于OpenCV实现20个实战项目，实现OpenCV学习进阶。

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~