Python-OpenCV - Finden Sie schwarze Flächen in einem binären Bild

Gibt es irgendeine Methode/Funktion in der python-wrapper für Opencv, findet schwarze Flächen in einem binären Bild? (wie regionprops in Matlab)
Bis jetzt lade ich meine Quelle Bild, die verwandeln es in ein binäres Bild über die Schwelle und dann umkehren, um ihn zu markieren die schwarzen Bereiche (das sind jetzt weiß).

Ich kann nicht die Verwendung von third-party-Bibliotheken wie cvblobslob oder cvblob

+1 für Das keyword "regionprops", die mich gerettet Stunden googeln

InformationsquelleAutor Marco L. | 2012-01-29

  1. 24

    Im Grunde, verwenden Sie die findContours Funktion, in Kombination mit vielen anderen Funktionen von OpenCV bietet, die speziell für diesen Zweck.

    Nützliche Funktionen verwendet (überraschung, überraschung, Sie alle erscheinen auf der Statik und Form Deskriptoren Seite in die OpenCV-Docs):

    Beispiel-code (ich habe alle Eigenschaften von Matlab ist regionprops außer WeightedCentroid und EulerNumber - Sie erarbeiten könnten EulerNumber mithilfe cv2.RETR_TREE im findContours und betrachten der resultierenden Hierarchie, und ich bin mir sicher, dass WeightedCentroid würde nicht so schwer sein entweder.

    # grab contours
cs,_ = cv2.findContours( BW.astype('uint8'), mode=cv2.RETR_LIST,
                             method=cv2.CHAIN_APPROX_SIMPLE )
# set up the 'FilledImage' bit of regionprops.
filledI = np.zeros(BW.shape[0:2]).astype('uint8')
# set up the 'ConvexImage' bit of regionprops.
convexI = np.zeros(BW.shape[0:2]).astype('uint8')

# for each contour c in cs:
# will demonstrate with cs[0] but you could use a loop.
i=0
c = cs[i]

# calculate some things useful later:
m = cv2.moments(c)

# ** regionprops ** 
Area          = m['m00']
Perimeter     = cv2.arcLength(c,True)
# bounding box: x,y,width,height
BoundingBox   = cv2.boundingRect(c)
# centroid    = m10/m00, m01/m00 (x,y)
Centroid      = ( m['m10']/m['m00'],m['m01']/m['m00'] )

# EquivDiameter: diameter of circle with same area as region
EquivDiameter = np.sqrt(4*Area/np.pi)
# Extent: ratio of area of region to area of bounding box
Extent        = Area/(BoundingBox[2]*BoundingBox[3])

# FilledImage: draw the region on in white
cv2.drawContours( filledI, cs, i, color=255, thickness=-1 )
# calculate indices of that region..
regionMask    = (filledI==255)
# FilledArea: number of pixels filled in FilledImage
FilledArea    = np.sum(regionMask)
# PixelIdxList : indices of region. 
# (np.array of xvals, np.array of yvals)
PixelIdxList  = regionMask.nonzero()

# CONVEX HULL stuff
# convex hull vertices
ConvexHull    = cv2.convexHull(c)
ConvexArea    = cv2.contourArea(ConvexHull)
# Solidity := Area/ConvexArea
Solidity      = Area/ConvexArea
# convexImage -- draw on convexI
cv2.drawContours( convexI, [ConvexHull], -1,
                  color=255, thickness=-1 )

# ELLIPSE - determine best-fitting ellipse.
centre,axes,angle = cv2.fitEllipse(c)
MAJ = np.argmax(axes) # this is MAJor axis, 1 or 0
MIN = 1-MAJ # 0 or 1, minor axis
# Note: axes length is 2*radius in that dimension
MajorAxisLength = axes[MAJ]
MinorAxisLength = axes[MIN]
Eccentricity    = np.sqrt(1-(axes[MIN]/axes[MAJ])**2)
Orientation     = angle
EllipseCentre   = centre # x,y

# ** if an image is supplied with the BW:
# Max/Min Intensity (only meaningful for a one-channel img..)
MaxIntensity  = np.max(img[regionMask])
MinIntensity  = np.min(img[regionMask])
# Mean Intensity
MeanIntensity = np.mean(img[regionMask],axis=0)
# pixel values
PixelValues   = img[regionMask]
    Es ist nützlich, wickeln Sie diese in eine Funktion und Rückkehr irgendeine Art von Struktur (z.B. numpy recarray) mit den Informationen in es. Während ich an ihm ziehe ich auch einen beschrifteten Bild, wo die region i hat Intensität i+1 (dies ist zu vermeiden, region 0 Verschmelzung mit dem hintergrund).

    InformationsquelleAutor mathematical.coffee

  2. 2

    Nach invertieren von binären Bild zu schwarz für die weißen Flächen, gelten cv.FindContours Funktion. Er wird dir die Grenzen der region, die Sie benötigen.

    Später kann man über cv.BoundingRect zu erhalten, minimale umgebende Rechteck der region. Wenn Sie erst einmal das Rechteck Eckpunkte, finden Sie Ihre Mitte etc.

    Oder zu finden Schwerpunkt der region, über cv.Moment-Funktion nach der Suche nach Konturen. Dann verwenden Sie cv.GetSpatialMoments in x-und y-Richtung. Es wird erklärt, in der opencv-Handbuch.

    Bereich zu finden, verwenden Sie cv.ContourArea Funktion.

    InformationsquelleAutor Abid Rahman K

  3. 0

    Verwandeln zu Binär-Bild mit Schwellenwert mit der CV_THRESH_BINARY_INV Flagge, Sie bekommen threshold + inversion in einem Schritt.

    InformationsquelleAutor Oliv

  4. 0

    Wenn Sie erwägen, eine andere freie Bibliothek, die Sie nutzen könnten SciPy. Es hat eine sehr bequeme Möglichkeit des Zählens Bereichen:

    from scipy import ndimage

def count_labels(self, mask_image):
    """This function returns the count of labels in a mask image."""
    label_im, nb_labels = ndimage.label(mask_image)
    return nb_labels

    Wenn notwendig, die Sie verwenden können:

    import cv2 as opencv

image = opencv.inRange(image, lower_threshold upper_threshold)

    zuvor, um ein Bild mit der Maske, die enthält nur schwarz und weiß, wo weiß sind die Objekte im angegebenen Bereich.

    InformationsquelleAutor Zelphir

Schreibe einen Kommentar