最近有小伙伴咨询如何用传统方法进行多个石头检测分割算法, 原文如下所示:
嗯嗯,碰巧让我这个问题,然而我碰巧学过图像处理的一些简单知识.
我们都知道使用opencv可以快速进行图像的基本操作,那么我们就来尝试解决这个问题吧.
传统图像分割,一般就是采用阈值分割的方法来区分前景物体和背景,这里使用全局阈值分割的方法来进行处理,方法如下:
img_file = "./sample.jpeg" img1 = cv2.imread(img_file) img = cv2.resize(img1,(640,400)) gray_img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) retval, bin_img = cv2.threshold(gray_img, 120, 255, cv2.THRESH_BINARY )
运行后的效果如下:
上图中,左侧为原图,右侧为二值化后的结果图.
观测上图,可以发现二值化后的图像还有很多噪声,这里采用3X3中值滤波的方法进行去燥,代码如下:
img_median = cv2.medianBlur(bin_img, 3)
运行效果如下:
左侧为3X3去燥前的二值图,右侧为使用3X3模板去燥后的结果图,可以看出很多零散的孤立点都被滤除.
二值图像的腐蚀操作为将图像中的前景物体白色部分进行缩减细化，其运行结果图比原图的高亮区域更小,我们这里选用3X3的十字形kernel进行腐蚀操作.
代码如下:
kernel = cv2.getStructuringElement(cv2.MORPH_CROSS, (3, 3)) erosion_img = cv2.erode(img_median, kernel, iterations=2)
结果如下:
上图中左侧为 iterations=1的腐蚀结果图,表示只进行1次腐蚀操作；右侧为iterations=2的腐蚀结果图,表示连续进行2次腐蚀操作. 可以看出经过腐蚀操作后,前景物体分割的更开了.
图像膨胀是腐蚀操作的逆操作，类似于“领域扩张”，将图像中的高亮区域或白色部分进行扩张，其运行结果图比原图的高亮区域更大，线条变粗了.
我们观察腐蚀后的图像,发现很多区域内会有一些空洞点,这时我们需要膨胀操作,来消除这些空洞点,
代码如下:
dilatation_type = cv2.MORPH_ELLIPSE
dilatation_size = 1
element = cv2.getStructuringElement(dilatation_type,
(2 * dilatation_size + 1, 2 * dilatation_size + 1),
(dilatation_size, dilatation_size))
dilate_img = cv2.dilate(erosion_img, element,iterations=3)
运行结果如下:
上图为 采用3X3椭圆kernel进行3次膨胀后的结果图
观察膨胀后的图像,可以看出石头已经被我们分成一个个连续的独立的封闭区域,这时我们可以使用opencv的findContours函数来寻找对应区域的外轮廓,代码如下:
contours, hierarchy = cv2.findContours(dilate_img, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
out_img = img.copy()
for contour in contours:
cv2.drawContours(out_img, [contour, ], -1, (255 ,0, 255), 2) # pink
结果如下:
观察上图,我们的输出会有一些错检,我们可以添加一些过滤条件,来进行过滤,有很多面积很小的区域被错分割出来,这里采用面积来滤除部分错检,代码如下:
for contour in contours:
area = cv2.contourArea(contour)
k = cv2.isContourConvex(contour)
if area>150:
cv2.drawContours(img, [contour, ], -1, (0, 0, 255), 2) # red
结果如下:
左侧为滤除前的结果图,右侧为使用面积过滤后的结果图.
3 总结本文采用传统图像处理方法,对石头图像进行了简单图像处理,可以得到分割出来的多个石头的外轮廓和面积,最终效果如下:
虽然还有一些错检和漏检,但是本文主要用于探讨传统图像处理的一些常用方法,
上述方案仅供学习交流使用,如有更好的策略,欢迎随时交流.
关注公众号《AI算法之道》，获取更多AI算法资讯。
注: 关注公众号,后台回复 石头 , 可获取完整代码
