Question

我最近遇到了一个我似乎无法解决的问题。我有一个处理过的图像，其中包含在小“本地”组中遍布整个图像的多个像素。我想找到每个组的“中心”，并在输出图像中放置一个像素作为每个组的代表。分组可以是紧密编织的组，它们之间没有像素零间距，也可以是较小的展开组，它们之间只有少数（小于4~5像素）。我的第一个想法是沿着形态侵蚀的方向使用某些东西，但这并没有考虑到像素组稍微分散的情况。我想知道是否有人可以指出我正确的方向。以下是我想做的一个例子： Local Group 左侧图像显示输入（大黑点表示它们之间没有零的一组像素），右侧图像是我想要的输出或处理图像类型的示例。最后我使用MATLAB，可以假设输入图像是二进制图像（黑色为1或0，逻辑应该相同）。

非常感谢你的帮助！

编辑：感谢大家的意见 - 我将在第二天左右尝试不同的解决方案，我将尽力回复所有人。非常感谢您的深刻见解 - 非常感谢。

Answer 1

我建议采用一种方法，包括形态学关闭，然后进行连通成分分析。请注意，我已经颠倒了问题所以“好点”是高价值而“坏背景”是黑色的。这与形态学操作的预期定义更为吻合。

path = 'yourimage.png'
space = 5; % you can change this to make it accept bigger spacings

input = imcomplement(rgb2gray(imread(path))) > 0;
input = imclose(input, strel('disk', space));
[labels, num] = bwlabel(input, 8);
output = logical(zeros(size(input)));
for i = 1:num
   [r, c] = find(labels==i); 
   x = round(mean(c))
   y = round(mean(r))
   output(y,x) = 1;
end

imshow(output)

结果如下：

Results

对我来说似乎是你想要的！

Answer 2

您所描述的问题通常称为clustering or cluster analysis。根据您的数据集和分析约束，它可能非常困难。但是，在您的情况下，它很简单，因为您有一个硬阈值（5像素）可供使用。

Aardvarkk已经提出了一个很好的解决方案，但它并没有真正展示集群的过程。这是一种非常简单的方法，您可以对数据进行聚类并获得或多或少相同的结果。

计算点之间的成对距离。对于N个点，这导致NxN矩阵
矩阵
遍历矩阵的行

每次迭代都如下所示：

如果i已经群集，请继续
如果i不在群集中，请创建新群集并为其指定i
找到接近i的所有其他点（行i中的列等于1）
检查这些点是否已存在于群集中
如果设置为i且所有点都接近i至最低群集ID
如果没有设置i且所有点都接近i到i's群集

这是我掀起的一个简单例子：

%Generate random points
nPts = 300;
clustId = zeros(nPts,1);
clusterCount = 0;
x = randi(3, [1, nPts])*10+ randn(1, nPts);
y = randi(3, [1, nPts])*10 + randn(1, nPts);

%Compute the distance matrix  from http://goo.gl/8mAoC
dist = distance([x;y], [x;y]);

maxDist = 5;
binDist = dist <= maxDist;


for i = 1:nPts
    % if this point is already clustered skip it
    if clustId(i) ~= 0
        continue;
    end

    %if the current point isn't in a cluster, create a new cluster and add
    %the point to that cluster
    if clustId(i) == 0
        clusterCount = clusterCount+1;
        clustId(i) = clusterCount;
        fprintf('New point, creating cluster:%d\n', clusterCount);
    end

    % get the indices of the points that collide with the i
    idx = binDist(:,i);

    % check to see if idx contains points that already belong to another clustered
    % if it doesn't collisionIdx will be equal to i
    collisionIdx = idx & clustId>0;

    %get the smallest cluster from collisionIdx
    mergeClustId = min(clustId(collisionIdx));

    %assing all the original points to that cluster
    clustId(idx) = mergeClustId;
end

只需遍历群集ID即可计算质心：

cx = [];
cy = [];
for i = 1:clusterCount
    idx = clustId == i;
    cx(i) = mean(x(idx));
    cy(i) = mean(y(idx));
end

然后用以下结果绘制结果：

figure; 
plot(cx,cy,'c.', 'markersize', 50); hold on;
plot(x,y,'.');

enter image description here

Answer 3

在这种情况下，您可以首先使用区域生长方法来连接像素，然后使用侵蚀。如果你知道，那么集群之间的距离大于集群本身就可以了。可能会使用重心来确定区域生长后每个斑点的中间位置。

Answer 4

正如slayton所指出的，这是一个集群问题。

由于您的群集分离非常清晰，您可以使用简单的基于图形的方法。如果您可以访问图形算法库（例如boost::graph，其中存在许多绑定），则以下方法应该非常简单：

使用边缘权重作为距离构建完整的点图。
计算最小生成树，例如使用Prims algorithm
从树中消除超过长度阈值的边
查找剩余的连接组件

减少像素的局部邻域

4 个答案: