在均匀强度图像中检测物体

Question

我在泥中有虎的Pugmark（足迹印象）的形象。我想检测pugmark的边界，但是图像在前景的强度上是均匀的，并且基于强度变化无法区分背景。我能做些什么来区分pugmark和背景。！

tiger's pugmark http://imageshack.us/a/img407/4636/p1060993g.jpg

Answer 1

在分段任务中，如果你有两个

1. 好的标记;和
2. 感兴趣对象周围的强边缘

然后通过分水岭变换直接解决。当然，问题是获得这些标记，以及根据需要增强相关边缘。获取这些可能涉及特定于问题的知识，而我没有解决您的问题。

然而，有一些通用方法可能有用。例如，来自数学形态学的连通运算符用作合并和扩展平坦区域的方式。因此，也许它可以为我们提供相对较好的问题标记。在下图中，通过打开（一种连接的操作符）进行形态重建，在原始图像的灰度版本中执行（左图像），剩余的区域最大值显示在右侧。



现在，我们可以获得上面左图的形态梯度。我们还可以在右上图中使用小圆盘进行孔填充和扩张，以获得更平滑的轮廓 - 这定义了我们的标记图像。然后，使用我们的标记图像在渐变图像中应用分水岭变换，然后展开（侵蚀或扩张，取决于您如何看待它）分水岭线，我们得到以下图像：



我怀疑你可以轻易丢弃太大和太小的区域。然后，如果你有一些粗糙的预期尺寸的爪子，以及手掌，你可以丢弃不相关的区域。此时，只需扩展区域以形成单个组件，并在原始图像中显示生成的轮廓：



执行每个步骤的示例代码（相关步骤也在评论的Matlab代码中显示）：

f = Import["http://imageshack.us/a/img407/4636/p1060993g.jpg"]
g = ColorConvert[f, "Grayscale"]                           (* g = rgb2gray(f); *)
(* First image shown: *)
geo = GeodesicOpening[g, DiskMatrix[5]]  (* geo = imreconstruct(imerode(g, ... *)
                                         (*         strel('disk', 6)), g);     *)
(* Second image shown: *)
marker = MaxDetect[geo]                        (* marker = imregionalmax(geo); *)

(* Watershed on gradient with markers. *)
mgrad = ImageSubtract[Dilation[geo, 1], Erosion[geo, 1]]; (* mgrad = ...       *)
          (* imdilate(geo,strel('square',3)) - imerode(geo,strel('square',3)); *)
ws = Image[           (* ws = watershed(imimposemin(mgrad, bwmorph(imfill(...  *)
 WatershedComponents[mgrad,      (* imregionalmax(geo),'holes'),'dilate'))));  *)
  Dilation[FillingTransform[marker], DiskMatrix[1]]]]

(* Third image shown: *)
wsthick = Erosion[ws // ImageAdjust, DiskMatrix[5]]

(* Connected component selection based on some supposed sizes. *)
ccs = SelectComponents[wsthick, "Count", 1000 < # < 3000 || 6000 < # < 10000 &]

(* Final image (thick border on binarized filled dilated ccs) *)
res = ImageAdd[f, Dilation[MorphologicalPerimeter[FillingTransform[
     MorphologicalPerimeter[Dilation[ccs, DiskMatrix[9]]]]], 2]]

Answer 2

@ mmpg的答案中的方法可能不稳定，因为使用的算法需要设置参数，这些参数可能特定于每个图像。使用具有形状先验知识的参数模型似乎可以更好地解决这个问题。

Active Shape Models框架迭代地近似形状的边界。首先，用一些平均形状初始化它（图像只是插图，而不是算法的实际输出）：

轮廓由锚点定义（以蓝色刻度显示，仅适用于手掌以避免混乱）。在每次迭代中，算法考虑每个锚点中的正交方向并估计每个距离处的边界概率（通常使用图像梯度，但在您的情况下，它应该更复杂 - 可能是纹理的差异，例如{之间的距离} {3}}）。这里红点突出显示该分布的arg-maximums：

然后，新轮廓适合数据，以最大化这些分布乘以形状的先前分布。假设统一先验，新轮廓将如下所示：

在实践中，您希望有一个非平凡的形状分布。要估计这一点，您需要一组训练图像，其中手动标记pugmark蒙版。

您可以尝试histograms of textons。