Blob探测器

Question

作为我正在研究的项目的一部分，我需要使用OpenCV和Python在图像中找到一些“blob”的中心点。我遇到了一些麻烦，真的很感激任何帮助或见解:)

我目前的方法是：获取图像的轮廓，在这些图像上叠加椭圆，使用斑点检测器找到每个图像的中心。这种效果相当不错，但偶尔我还需要忽略无关的斑点，有时斑点会相互碰触。

这是一个很好的例子： 良好的源图片 提取轮廓后 检测到blob：

当它变得很糟糕时（你可以看到它在三个blob上错误地叠加了一个椭圆，并检测到一个我不想要的）： 错误的来源图片 提取轮廓后 检测到blob：

这是我目前使用的代码。我不确定任何其他选择。

def process_and_detect(img_path):
    img = cv2.imread(path)
    imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    ret, thresh = cv2.threshold(imgray, 50, 150, 0)
    im2, contours, hierarchy = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
    drawn_img = np.zeros(img.shape, np.uint8)
    min_area = 50
    min_ellipses = []
    for cnt in contours:
        if cv2.contourArea(cnt) >= min_area:
            ellipse = cv2.fitEllipse(cnt)
            cv2.ellipse(drawn_img,ellipse,(0,255,0),-1)
    plot_img(drawn_img, size=12)

    # Change thresholds
    params = cv2.SimpleBlobDetector_Params()
    params.filterByColor = True
    params.blobColor = 255
    params.filterByCircularity = True
    params.minCircularity = 0.75
    params.filterByArea = True
    params.minArea = 150
    # Set up the detector
    detector = cv2.SimpleBlobDetector_create(params)

    # Detect blobs.
    keypoints = detector.detect(drawn_img)
    for k in keypoints:
        x = round(k.pt[0])
        y = round(k.pt[1])
        line_length = 20
        cv2.line(img, (x-line_length, y), (x+line_length, y), (255, 0, 0), 2)
        cv2.line(img, (x, y-line_length), (x, y+line_length), (255, 0, 0), 2)
    plot_img(img, size=12)

非常感谢您阅读这篇文章，我衷心希望有人能帮助我，或指出我正确的方向。谢谢！

Answer 1

Blob探测器

目前，您的实施是多余的。来自SimpleBlobDetector() docs：

该类实现了一种从图像中提取blob的简单算法：


将源图像转换为二进制图像，方法是应用阈值从minThreshold（包括）到maxThreshold（不包括）的阈值，其中相邻阈值之间的距离为thresholdStep。

通过findContours（）从每个二进制图像中提取连接的组件并计算它们的中心。

根据坐标从多个二进制图像中心分组。关闭中心形成一个对应于一个blob的组，该组由minDistBetweenBlobs参数控制。

从小组中，估计斑点及其半径的最终中心，并返回关键点的位置和大小。

因此，您已经实施了部分步骤，这可能会产生一些意想不到的行为。您可以尝试使用参数来查看是否可以找出适合您的参数（尝试创建trackbars以使用参数并使用不同的blob检测器参数获取算法的实时结果）。

修改管道

但是，您已经编写了大部分自己的管道，因此您可以轻松删除blob检测器并实现自己的算法。如果您只是略微降低阈值，您可以轻松获得清晰标记的圆圈，然后斑点检测就像轮廓检测一样简单。如果每个斑点都有一个单独的轮廓，则可以使用moments()计算轮廓的质心。例如：

def process_and_detect(img_path):

    img = cv2.imread(img_path)
    imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    ret, thresh = cv2.threshold(imgray, 100, 255, cv2.THRESH_BINARY)

    contours = cv2.findContours(thresh, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)[1]
    line_length = 20
    for c in contours:
        if cv2.contourArea(c) >= min_area:
            M = cv2.moments(c)
            x = int(M['m10']/M['m00'])
            y = int(M['m01']/M['m00']) 
            cv2.line(img, (x-line_length, y), (x+line_length, y), (255, 0, 0), 2)
            cv2.line(img, (x, y-line_length), (x, y+line_length), (255, 0, 0), 2)

更多参与

此管道可用于自动循环阈值，因此您无需猜测和硬编码这些值。由于斑点看起来大致大致相同，因此您可以循环直到所有轮廓具有大致相同的区域。你可以这样做，例如通过查找中位轮廓大小，定义您允许的上下限度的某个百分比，并检查检测到的所有轮廓是否适合这些边界。

这是我的意思的动画gif。请注意，一旦轮廓分离，gif就会停止：

然后你可以简单地找到那些分开的轮廓的质心。这是代码：

def process_and_detect(img_path):

    img = cv2.imread(img_path)
    imgray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    for thresh_val in range(0, 255):

        # threshold and detect contours
        thresh = cv2.threshold(imgray, thresh_val, 255, cv2.THRESH_BINARY)[1]
        contours = cv2.findContours(thresh,
                                    cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)[1]

        # filter contours by area
        min_area = 50
        filtered_contours = [c for c in contours
                             if cv2.contourArea(c) >= min_area]
        area_contours = [cv2.contourArea(c) for c in filtered_contours]

        # acceptable deviation from median contour area
        median_area = np.median(area_contours)
        dev = 0.3
        lowerb = median_area - dev*median_area
        upperb = median_area + dev*median_area

        # break when all contours are within deviation from median area
        if ((area_contours > lowerb) & (area_contours < upperb)).all():
            break

    # draw center location of blobs
    line_length = 8
    cross_color = (255, 0, 0)
    for c in filtered_contours:
        M = cv2.moments(c)
        x = int(M['m10']/M['m00'])
        y = int(M['m01']/M['m00'])
        cv2.line(img, (x-line_length, y), (x+line_length, y), cross_color, 2)
        cv2.line(img, (x, y-line_length), (x, y+line_length), cross_color, 2)

请注意，我在这里使用range(0, 255)循环显示所有可能的阈值，以提供0, 1, ..., 254，但实际上您可以开始更高并一次跳过几个值，例如range(50, 200, 5)得到50, 55, ..., 195当然要快得多。

Answer 2

＆＃34;标准＆＃34;这种斑点分裂问题的方法是通过分水岭变换。它可以应用于二进制图像，使用变换距离，或直接应用于灰度图像。

过度分割问题可能会让它变得棘手，但似乎你的情况不会受到影响。

为了找到中心，我通常建议使用像素坐标的加权平均值来获得降噪效果，但在这种情况下，我可能会选择最大强度的位置，这不会受到影响通过形状的变形。

以下是灰度分水岭的结果（区域强度是平均值）。与我最初的想法相反，由于斑点的不规则性存在一些碎片

在分割之前，您可以通过一些低通滤波来改进。

如何找到这些有时重叠的圆圈的中心

2 个答案:

Blob探测器

修改管道

更多参与