我想检测图像中的对象并在另一个页面中重绘它，所以任何人都可以建议可以使用哪种算法？

Question

我在image processing上做项目（在图像中识别分子并在编辑器中绘制这些分子）。因此需要帮助识别，哪种算法可用于检测图像中的线，曲线，分叉和字符等对象。

是的，canny的算法会检测图像中的边缘。但是要在编辑器中绘制这些边，我想要这些边的端点（像素值）。那么canny的算法将如何帮助这样做呢？或者是否有任何算法来识别这些线的终点？

示例图像如下

Answer 1

正如gcalmettes已经注意到的，Hough可以检测线。但是，您正在寻找线段，这对标准算法来说是一个轻微的皱纹。

另一种选择是RANSAC算法，值得研究，因为它遵循一种完全不同的方法：

http://en.wikipedia.org/wiki/RANSAC

霍夫技术也可用于寻找圆圈。对于曲线拟合，您可以使用样条拟合技术或有时甚至是多项式拟合，尽管后者往往对实际图像分析不太有用。

你必须小心骨骼化/细化（或中轴转换），因为细化会在三向交叉点周围产生不希望的曲线，例如字符“H”中的两个T交叉点。但是，细化算法可以很快。查看WinTopo中Stentiford和Zhang-Suen细化算法的实现，这是一个用于光栅到矢量转换的应用程序（即像素到曲线）：

http://wintopo.com/

在您的样本图像中，有几个已知固定角度的双向和三向交叉的例子。如果您稍微研究角点检测，您应该看到如何将其扩展到检测固定角度的交叉点。

http://en.wikipedia.org/wiki/Corner_detection

如果图像中字符和图形的大小不变 - 例如，如果“H”总是高40像素 - 则可以使用模板匹配来查找任何模式。 （搜索术语“规范化互相关”，尽管维基百科条目可能没有那么有用。）

http://en.wikipedia.org/wiki/Template_matching

简单地说，如果图像中的要素是恒定大小，则可以创建与要识别的对象的亮/暗图案匹配的模板（类似于蒙版或模板）。模板匹配相对容易实现和调试，并且比Hough更直观。

简单来说，假设您将每个黑色像素分配给值0（没有反射），每个白色像素分配值1（全反射）。要找到3 x 3未填充的黑色方块，您可以创建如下模板：

1 1 1 1 1
1 0 0 0 1
1 0 1 0 1
1 0 0 0 1
1 1 1 1 1

然后，检查此模板以查找原始图像中的匹配项。如果模板中的所有白色像素与图像中的白色像素匹配，则匹配，并且模板中的所有黑色像素都与图像中的黑色像素匹配。

要为你的苯环（或其他任何东西）匹配一个小六边形，你可以有一个这样的模板：

1 1 0 1 1 
1 0 1 0 1 
0 1 1 1 0 
0 1 1 1 0 
0 1 1 1 0 
1 0 1 0 1 
1 1 0 1 1 

由于角度不是45度，因此形状不正确。

在某些情况下，您无法获得模板的完美匹配，因为其他数字（如线段，圆圈和字符）会在矩形中插入您想要查找的任何特定要素。您可以要求模板中所有像素的90％或更多匹配，而不是完美匹配。 “标准化互相关”的“标准化”部分使模板在对比度变化下更加稳健：例如，您的图像可能是浅灰色背景上的深灰色图形，而不是白色背景上的黑色图形。

在检查了不同图形的各种组合之后，您可以将2D模板中的某些元素识别为“不关心”，这意味着该元素可以是黑色或白色。由于您可以在六边形的角落处显示代表键的线段，因此您可以选择“不关心”像素。

下面的“不关心”像素用X标记。识别模板中哪些元素可以“不关心”像素需要进行一些修补和调整。

X 1 0 1 X 
1 0 1 0 1 
0 1 1 1 0 
0 1 X 1 0 
0 1 1 1 0 
1 0 1 0 1 
X 1 0 1 X 

找到各种数字肯定有更复杂的方法，但我建议最简单的方法，以防万一。 Hough和RANSAC技术可以推广到几乎任何东西，但实现可能很棘手。

Answer 2

您可以使用Hough transform来检测直线或圆圈。 例如在scikits-image librairy（python）中已经实现了该算法的非常简单的实现。请参阅exemple。

从您提供的图像中，您可能需要考虑在应用Hough变换之前应用骨架化算法将二进制对象减少为1像素宽的表示。