Question

我有一张如下图所示的图片，我想计算一下用Python显示的错误数量（连续的颜色/灰色斑点）。我怎么能做到最好？

Bugs on a noisy background

我到目前为止看过ImageChops，SciPy和PIL，但我不确定我能/应该使用什么......

我想我可以使用ndimage.gaussian_filter()然后scipy.ndimage.measurements.label()我还不确定如何使用后者来计算高斯化图像中的蓝点......它看起来像 enter image description here

好，

上面的图片我现在得到了这段代码：

#! /usr/bin/python

import numpy as np
import scipy
import pylab
import pymorph
import mahotas
from PIL import Image
import PIL.ImageOps
from scipy import ndimage

image = Image.open('bugs.jpg')   
inverted_image = PIL.ImageOps.invert(image)    
inverted_image.save('in_bugs.jpg')
dna = mahotas.imread('in_bugs.jpg')
#pylab.imshow(dna)
pylab.gray()
#pylab.show()
T = mahotas.thresholding.otsu(dna)
pylab.imshow(dna > T)
#pylab.show()
dnaf = ndimage.gaussian_filter(dna, 8)
T = mahotas.thresholding.otsu(dnaf)
pylab.imshow(dnaf > T)
#pylab.show()
labeled,nr_objects = ndimage.label(dnaf > T)
print nr_objects
pylab.imshow(labeled)
pylab.jet()
pylab.show()

问题是，这给了我5个数字，但这并不是很糟糕，但我需要更准确，我想看到两个。我怎样才能做到这一点？在应用高斯滤波器之前是否有助于模糊图像？

感谢您的帮助！

罗恩

Answer 1

你的高斯滤波已经很好了，但你正在考虑比任务所需的半径更大的半径。例如，让我们考虑半径为15的内核作为示例。以下是我们得到的内容：

enter image description here

有两个清晰的山谷（是的，显示为峰值），滤波图像的直方图显示大部分可用数据现在接近可能的最大值。

enter image description here

只考虑直方图的一部分，我们可以更好地看到我们感兴趣的数据部分：较暗的斑点。

enter image description here

所以，在0.5处有一个简单的阈值，这就是结果（匹配错误的位置）：

enter image description here

根据您实现的方式（或您使用的库实现）相关功能，此阈值将有所不同。但通过查看直方图，您将能够发现一个良好的阈值。现在，如果您不想通过查看直方图来猜测此阈值，那么您需要预处理超出高斯滤波的图像。通过以良好的方式执行此步骤，您的图像变得足够简单，像Otsu给出的方法可以自动找到您所追求的阈值。执行形态学关闭，然后进行形态学开放，然后通过Otsu进行二值化，这是我们得到的结果：

enter image description here

形状更接近初始形状，因为我们不依赖线性低通滤波器，最多会模糊轮廓。

编辑：

由于问题现在包含一些代码，我觉得有必要解释为什么使用Otsu作为代码所做的错误。 Otsu给出的用于阈值处理的方法实际上期望数据是双峰的，但是如上面的直方图所示，这不是这里的情况。大津将提供一个太接近右边巨大峰值的门槛，而0.5的好点距离那里很远。要复制本答案中显示的第一个结果，这里有一些基本代码：

import sys
import numpy
from PIL import Image
from scipy.ndimage import gaussian_filter, label

img = Image.open(sys.argv[1]).convert('L')
im = numpy.array(img)

im_g = gaussian_filter(im, 3)
im_norm = (im_g - im_g.min()) / (float(im_g.max()) - im_g.min())
im_norm[im_norm < 0.5] = 0
im_norm[im_norm >= 0.5] = 1

result = 255 - (im_norm * 255).astype(numpy.uint8)
print u"Objects: %d" % label(result)[1]

Image.fromarray(result).save(sys.argv[2])

请注意，此代码使用sigma = 3（虽然最初使用7.5）用于高斯内核，scipy内部构建一个半径比其大4倍的窗口。对于这个特定的图像，大范围的sigma同样适用，从2到10开始应该给出相同的结果 - 检测到2个对象。

Answer 2

这是计算机视觉的任务，您可以使用流行的OpenCV来解决这个问题。

您可能需要考虑使用某些形态操作（例如opening）处理图像以消除噪点。也许那时你可以计算出面积超过某个阈值的连续斑点的数量。

要研究的一些资源：

如何计算图像中的错误？

2 个答案: