图像分割 - 如何检测这种静脉连接？ （地标）

Posted 2023-02-22

【中文标题】图像分割 - 如何检测这种静脉连接？ （地标）

【英文标题】：image segmentation - How to detect this kind of vein junctions? (landmarks)

【发布时间】：2019-07-20 21:57:28

【问题描述】：

我需要检测翼蜂的静脉连接处（图片只是一个示例）。我使用 opencv - python。

ps：可能图片质量损失了一点点，但是图片都是一个像素宽的。

【参考方案1】：

这是一个有趣的问题。我得到的结果并不完美，但这可能是一个好的开始。我用只查看内核边缘的内核过滤了图像。这个想法是，一个连接点至少有 3 条线穿过内核边缘，而常规线只有 2 条。这意味着当内核超过一个连接点时，结果值会更高，因此阈值会显示它们. 由于线条的性质，存在一些正面价值和一些假负面。很可能会多次找到单个关节，因此您必须考虑到这一点。您可以通过绘制小点并检测这些点来使它们独一无二。

结果：

代码：

    import cv2
    import numpy as np
    # load the image as grayscale
    img = cv2.imread('xqXid.png',0)
    # make a copy to display result
    im_or = img.copy()
    # convert image to larger datatyoe
    img.astype(np.int32)
    # create kernel 
    kernel = np.ones((7,7))
    kernel[2:5,2:5] = 0
    print(kernel)
    #apply kernel
    res = cv2.filter2D(img,3,kernel)
    # filter results
    loc = np.where(res > 2800)
    print(len(loc[0]))
    #draw circles on found locations
    for x in range(len(loc[0])):
            cv2.circle(im_or,(loc[1][x],loc[0][x]),10,(127),5)
    #display result
    cv2.imshow('Result',im_or)
    cv2.waitKey(0)
    cv2.destroyAllWindows()

注意：您可以尝试调整内核和阈值。例如，使用上面的代码，我得到了 126 个匹配项。但是当我使用

kernel = np.ones((5,5))
kernel[1:4,1:4] = 0

有阈值

loc = np.where(res > 1550)

我在这些位置获得了 33 场比赛：

【讨论】：

在这里查看我的代码：***.com/questions/22058485/…

【参考方案2】：

您可以使用Harris corner detector 算法来检测上图中的静脉交界处。与之前的技术相比，Harris corner detector 直接参考方向考虑了角点得分的差异，而不是每 45 度角使用移位补丁，并且已被证明在区分边缘和角点方面更准确（来源：wikipedia)。

代码：

img = cv2.imread('wings-bee.png')
# convert image to grayscale
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
gray = np.float32(gray)

'''
args:
img - Input image, it should be grayscale and float32 type.
blockSize - It is the size of neighbourhood considered for corner detection
ksize - Aperture parameter of Sobel derivative used.
k - Harris detector free parameter in the equation.
'''
dst = cv2.cornerHarris(gray, 9, 5, 0.04)
# result is dilated for marking the corners
dst = cv2.dilate(dst,None)

# Threshold for an optimal value, it may vary depending on the image.
img_thresh = cv2.threshold(dst, 0.32*dst.max(), 255, 0)[1]
img_thresh = np.uint8(img_thresh)

# get the matrix with the x and y locations of each centroid
centroids = cv2.connectedComponentsWithStats(img_thresh)[3]


stop_criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 30, 0.001)
# refine corner coordinates to subpixel accuracy
corners = cv2.cornerSubPix(gray, np.float32(centroids), (5,5), (-1,-1), stop_criteria)
for i in range(1, len(corners)):
    #print(corners[i])
    cv2.circle(img, (int(corners[i,0]), int(corners[i,1])), 5, (0,255,0), 2)

cv2.imshow('img', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

输出：

你可以从here查看Harris Corner detector算法背后的理论。