今天的博客文章是我?guī)啄昵白龅囊粋€關(guān)于尋找圖像中最亮點的教程的后續(xù)。

我之前的教程假設(shè)在圖像中只有一個亮點你想要檢測...

但如果有多個亮點呢?

如果您想在圖像中檢測多個亮點，代碼會稍微復(fù)雜一點，但不會太復(fù)雜。不過不用擔(dān)心:我將詳細(xì)解釋每一個步驟。

看看下面的圖片：

在這幅圖中，我們有五個燈泡。

我們的目標(biāo)是檢測圖像中的這五個燈泡，并對它們進(jìn)行唯一的標(biāo)記。

首先，打開一個新文件并將其命名為detect_bright_spot .py。然后，插入以下代碼：

# import the necessary packages
from imutils import contours
from skimage import measure
import numpy as np
import argparse
import imutils
import cv2
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
  help="path to the image file")
args = vars(ap.parse_args())

導(dǎo)入一些必要的包和命令行參數(shù)。

要開始檢測圖像中最亮的區(qū)域，我們首先需要從磁盤加載我們的圖像，然后將其轉(zhuǎn)換為灰度圖并進(jìn)行平滑濾波，以減少高頻噪聲：

# load the image, convert it to grayscale, and blur it
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (11, 11), 0)

這些操作的輸出如下：

為了顯示模糊圖像中最亮的區(qū)域，我們需要應(yīng)用閾值化：

# threshold the image to reveal light regions in the
# blurred image
thresh = cv2.threshold(blurred, 200, 255, cv2.THRESH_BINARY)[1]

操作取任意像素值p >= 200，并將其設(shè)置為255(白色)。像素值< 200被設(shè)置為0(黑色)。

閾值化后，我們得到如下圖像：

注意圖像的明亮區(qū)域現(xiàn)在都是白色的，而其余的圖像被設(shè)置為黑色。
然而，在這幅圖像中有一點噪聲(即，小斑點)，所以讓我們通過執(zhí)行一系列的腐蝕和膨脹操作來清除它：

# perform a series of erosions and dilations to remove
# any small blobs of noise from the thresholded image
thresh = cv2.erode(thresh, None, iterations=2)
thresh = cv2.dilate(thresh, None, iterations=4)

在應(yīng)用這些操作之后，你可以看到我們的thresh圖像變得更加“干凈”，但是仍然有一些我們想要移除的斑點。

本項目的關(guān)鍵步驟是對上圖中的每個區(qū)域進(jìn)行標(biāo)記，然而，即使在應(yīng)用了腐蝕和膨脹后，我們?nèi)匀幌胍^濾掉剩余的小塊兒區(qū)域。

一個很好的方法是執(zhí)行連接組件分析：

# perform a connected component analysis on the thresholded
# image, then initialize a mask to store only the "large"
# components
labels = measure.label(thresh, neighbors=8, background=0)
mask = np.zeros(thresh.shape, dtype="uint8")
# loop over the unique components
for label in np.unique(labels):
  # if this is the background label, ignore it
  if label == 0:
    continue
  # otherwise, construct the label mask and count the
  # number of pixels 
  labelMask = np.zeros(thresh.shape, dtype="uint8")
  labelMask[labels == label] = 255
  numPixels = cv2.countNonZero(labelMask)
  # if the number of pixels in the component is sufficiently
  # large, then add it to our mask of "large blobs"
  if numPixels > 300:
    mask = cv2.add(mask, labelMask)

第4行使用scikit-image庫執(zhí)行實際的連接組件分析。measure.lable返回的label和我們的閾值圖像有相同的大小，唯一的區(qū)別就是label存儲的為閾值圖像每一斑點對應(yīng)的正整數(shù)。

然后我們在第5行初始化一個掩膜來存儲大的斑點。

第7行我們開始循環(huán)遍歷每個label中的正整數(shù)標(biāo)簽，如果標(biāo)簽為零，則表示我們正在檢測背景并可以安全的忽略它（9，10行）。

否則，我們?yōu)楫?dāng)前區(qū)域構(gòu)建一個掩碼。

下面我提供了一個GIF動畫，它可視化地構(gòu)建了每個標(biāo)簽的labelMask。使用這個動畫來幫助你了解如何訪問和顯示每個單獨的組件：

然后第15行對labelMask中的非零像素進(jìn)行計數(shù)。如果numPixels超過了一個預(yù)先定義的閾值(在本例中，總數(shù)為300像素)，那么我們認(rèn)為這個斑點“足夠大”，并將其添加到掩膜中。

輸出掩模如下圖：

注意，所有小的斑點都被過濾掉了，只有大的斑點被保留了下來。
最后一步是在我們的圖像上繪制標(biāo)記的斑點：

# find the contours in the mask, then sort them from left to
# right
cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,
  cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
cnts = contours.sort_contours(cnts)[0]
# loop over the contours
for (i, c) in enumerate(cnts):
  # draw the bright spot on the image
  (x, y, w, h) = cv2.boundingRect(c)
  ((cX, cY), radius) = cv2.minEnclosingCircle(c)
  cv2.circle(image, (int(cX), int(cY)), int(radius),
    (0, 0, 255), 3)
  cv2.putText(image, "#{}".format(i + 1), (x, y - 15),
    cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)
# show the output image
cv2.imshow("Image", image)
cv2.waitKey(0)

首先，我們需要檢測掩模圖像中的輪廓，然后按從左到右排序(3-7行)。

一旦我們的輪廓已經(jīng)排序，我們可以對它們進(jìn)行單獨的循環(huán)處理(第8行)。

對于這些輪廓線，我們將計算出代表明亮區(qū)域的最小包圍圓(第12行)。

然后，我們唯一地標(biāo)記該區(qū)域并在圖像上繪制它(第12-15行)。

最后，第17行和第18行顯示了輸出結(jié)果。

運(yùn)行程序，你應(yīng)該會看到以下輸出圖像：

請注意，每個燈泡都被獨特地標(biāo)上了圓圈，圓圈圍繞著每個單獨的明亮區(qū)域。

編輯：黃飛