如何使用 Python/Opencv 分割二进制图像中的附近元素

Posted 2023-02-17

【中文标题】如何使用 Python/Opencv 分割二进制图像中的附近元素

【英文标题】：How to segment nearby elements in a binary image using Python/Opencv

【发布时间】：2017-08-03 01:08:49

【问题描述】：

我有这个二进制图像，其中每个“曲线”代表一堆这些物体中的一顶帽子。它是通过对堆叠的草帽原始图像的一个区域进行阈值处理获得的。

如您所见，这些曲线的形状内部有许多间隙和孔，这很难使用像 cv.connectedcomponentes 这样的技术来获取图像中对象的数量，这是我的目标。

我认为如果有一些技术可以填补这些空白和/或主要是原始二进制图像的较小部分中的孔，就像我在下面展示的那样，也许是 连接附近的元素或检测和填充轮廓，可以将每条曲线分割为一个单独的元素。

【参考方案1】：

不是最优雅的方式，但应该足够简单。 考虑w 的垂直切片（与您在问题中发布的切片相同）。如果你沿着切片的行对白色像素求和，你应该得到六个漂亮的“峰值”，对应于帽子的六个边缘：

但是，由于轮辋是圆形的，因此对于这种估计，某些垂直切片会比其他切片更好。 因此，我建议查看 所有 个宽度为 w 的切片并计算每个切片的峰值。 这是一个执行此操作的 Matlab 代码

img = imread('http://i.stack.imgur.com/69FfJ.jpg');  % read the image
bw = img(:,:,1)>128;  % convert to binary 

w = 75;  % width of slice
all_slices = imfilter(single(bw), ones(1,w)/w, 'symmetric')>.5;  % compute horizontal sum of all slices using filter
% a peak is a slice with more than 50% "white" pixels
peaks = diff( all_slices, 1, 1 ) > 0;  % detect the peaks using vertical diff
count_per_slice = sum( peaks, 1 );  % how many peaks each slice think it sees

看count_per_slice的分布：

您会看到，尽管许多切片预测了错误的帽子数量（4 到 9 之间），但大多数人投票支持正确的数字 6：

num_hats = mode(count_per_slice);  % take the mode of the distribution.

执行相同操作的 python 代码（假设 bw 是 shape (h,w) 和 dtype bool 的 numpy 数组）：

from scipy import signal, stats
import numpy as np
w = 75;
all_slices = signal.convolve2d( bw.astype('f4'), np.ones((1,w),dtype='f4')/float(w), mode='same', boundary='symmetric')>0.5
peaks = np.diff( all_slices, n=1, axis=0 ) > 0
count_per_slice = peaks.sum( axis=0 )
num_hats = stats.mode( count_per_slice )

【讨论】：

为了提高稳定性，你可以先用一个小内核卷积（scipy.signal.convolve2d）图像（例如np.ones((n,n))，这将缩小小间隙。这将首先给你一个填充整数的数组，但您可以将其转换回具有正确阈值的布尔值

@JürgMerlinSpaak 实际上，使用过滤器形状和值可能会增加该方法的稳健性。我在这里只展示了一个最小的解决方案，用作进一步研究和改进的基准

谢谢你们的建议，伙计们！我使用的方法和你做的类似，Shai。我将二进制图像分割成许多部分，比如 250 到 300，然后在每个部分中进行一些增强（侵蚀、膨胀和打开），并计算所有部分中的白色部分。我在这种方法中的努力是消除这些白色元素内部的一些剩余孔，以提高计算的准确性（在一小部分中，一个孔通过分离白色像素将 1 个帽子变成 2 个），因为事实上，此图像只是原始图像的一个区域，实际上包含 85 顶帽子。