matlab中的网格检测

Question

我在二进制图像中有一个网格（可以旋转）。如何使用MATLAB了解该网格的近似公式？

示例图片：

http://www.pami.sjtu.edu.cn/people/wyg/images/print5.jpg

有时这些黑点缺失，所以我需要公式或“方法”来估计这些黑点的可能中心。

我尝试使用regionprops，它帮助我获得这些存在的黑点的中心，但不知道黑点是否缺失

clear all
im = imread('print5.jpg');
im = im2bw(im);
[sy,sx] = size(im);
im = imcomplement(im);
im(150:200,100:150) = 0; % let some dots missing!
im = imclearborder(im);
st = regionprops(im, 'Centroid');

imshow(im) hold on;
for j = 1:numel(st)
    px = round(st(j).Centroid(1,1));
    py = round(st(j).Centroid(1,2));
    plot(px,py,'b+')
end

Answer 1

这是在1D中使用fft而不是x和y投影的方式：

首先，我会稍微模糊一下图像，以便通过高斯旋转来平滑高频噪声：

m=double(imread('print5.jpg'));
m=abs(m-max(m(:))); % optional line if you want to look on the black square as "signal"
H=fspecial('gaussian',7,1);
m2=conv2(m,H,'same');

然后我将采用每个轴投影的fft：

delta=1;
N=size(m,1);
df=1/(N*delta);        % the frequency resolution (df=1/max_T)
f_vector= df*((1:N)-1-N/2);     % frequency vector 

freq_vec=f_vector;
fft_vecx=fftshift(fft(sum(m2)));
fft_vecy=fftshift(fft(sum(m2')));
plot(freq_vec,abs(fft_vecx),freq_vec,abs(fft_vecy))

因此我们可以看到两个轴在0.07422处产生峰值，转换为1 / 0.07422像素或~13.5像素的周期。

获得角度信息的更好方法是转到2D，即：

ml= log( abs( fftshift (fft2(m2)))+1);
imagesc(ml) 
colormap(bone)

然后根据需要应用简单几何或regionprops等工具，可以获得正方形的角度和大小。方块的大小是1 /背景上大旋转方块的大小（比特模糊，因为我模糊了图像，所以尝试不这样做），角度为atan(y/x)。正方形之间的距离是1 /中心部分中的强峰与图像中心之间的距离。

所以，如果您将ml阈值设为正确的图像说

 imagesc(ml>11)

您可以访问中心峰值......

另一种方法将是二进制图像上的形态学操作，例如我对模糊图像进行阈值处理并将对象缩小到点。它会移除像素，以便没有孔的对象缩小到某个点：

BW=m2>100;
BW2 = bwmorph(BW,'shrink',Inf);
figure, imshow(BW2)

然后你几乎每格子网格有一个像素！所以你可以把它喂给 Amro的解决方案 使用霍夫变换，或用fft分析，或拟合块等...

Answer 2

您可以应用Hough transform来检测网格线。一旦我们有了这些，你可以推断网格位置和旋转角度：

%# load image, and process it
img = imread('print5.jpg');
img = imfilter(img, fspecial('gaussian',7,1));
BW = imcomplement(im2bw(img));
BW = imclearborder(BW);
BW(150:200,100:150) = 0;    %# simulate a missing chunk!

%# detect dots centers
st = regionprops(BW, 'Centroid');
c = vertcat(st.Centroid);

%# hough transform, detect peaks, then get lines segments
[H,T,R] = hough(BW);
P  = houghpeaks(H, 25);
L = houghlines(BW, T, R, P);

%# show image with overlayed connected components, their centers + detected lines
I = imoverlay(img, BW, [0.9 0.1 0.1]);
imshow(I, 'InitialMag',200, 'Border','tight'), hold on
line(c(:,1), c(:,2), 'LineStyle','none', 'Marker','+', 'Color','b')
for k = 1:length(L)
    xy = [L(k).point1; L(k).point2];
    plot(xy(:,1), xy(:,2), 'g-', 'LineWidth',2);
end
hold off

（我在文件交换中使用imoverlay函数）

结果：

这是累加器矩阵，其峰值对应于突出显示的行：

---

现在我们可以通过计算检测到的线的平均斜率来恢复旋转角度，过滤到两个方向之一（水平线或垂直线）：

%# filter lines to extract almost vertical ones
%# Note that theta range is (-90:89), angle = theta + 90
LL = L( abs([L.theta]) < 30 );

%# compute the mean slope of those lines
slopes = vertcat(LL.point2) - vertcat(LL.point1);
slopes = atan2(slopes(:,2),slopes(:,1));
r = mean(slopes);

%# transform image by applying the inverse of the rotation
tform = maketform('affine', [cos(r) sin(r) 0; -sin(r) cos(r) 0; 0 0 1]);
img_align = imtransform(img, fliptform(tform));
imshow(img_align)

这是向后旋转的图像，以便网格与xy轴对齐：