Question

下面的图片显示了一个住宅区的航拍照片（重新定向，最长边垂直），同一图像受到自适应阈值和高斯差异

Images: Base; Adaptive Thresholding; Difference of Gaussians

在AdThresh图像中，房屋的屋顶印刷是显而易见的（人眼）：它是连接一些明显点的问题。在示例图像中，找到下面的蓝色框 -

Image with desired rectangle marked in blue

我在实施HoughLinesP()和findContours()时遇到了麻烦，但没有任何明智之处（可能是因为我缺少了一些细微差别）。无法像蓝框一样远程查找任何内容的python脚本块如下：

import cv2
import numpy as np
from matplotlib import pyplot as plt

# read in full (RGBA) image - to get alpha layer to use as mask
img = cv2.imread('rotated_12.png', cv2.IMREAD_UNCHANGED)
grey = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)

# Otsu's thresholding after Gaussian filtering
blur_base = cv2.GaussianBlur(grey,(9,9),0)
blur_diff = cv2.GaussianBlur(grey,(15,15),0)
_,thresh1 = cv2.threshold(grey,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)

thresh = cv2.adaptiveThreshold(grey,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY,11,2)


DoG_01 = blur_base - blur_diff
edges_blur = cv2.Canny(blur_base,70,210)

# Find Contours
(ed, cnts,h) = cv2.findContours(grey, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
cnts = sorted(cnts, key = cv2.contourArea, reverse = True)[:4]
for c in cnts:
    approx = cv2.approxPolyDP(c, 0.1*cv2.arcLength(c, True), True)
cv2.drawContours(grey, [approx], -1, (0, 255, 0), 1)

# Hough Lines
minLineLength = 30
maxLineGap = 5

lines = cv2.HoughLinesP(edges_blur,1,np.pi/180,20,minLineLength,maxLineGap)
print "lines found:", len(lines)
for line in lines:
    cv2.line(grey,(line[0][0], line[0][1]),(line[0][2],line[0][3]),(255,0,0),2)

# plot all the images
images = [img, thresh, DoG_01]
titles = ['Base','AdThresh','DoG01']

for i in xrange(len(images)):
    plt.subplot(1,len(images),i+1),plt.imshow(images[i],'gray')
    plt.title(titles[i]), plt.xticks([]), plt.yticks([])
plt.savefig('a_edgedetect_12.png')

cv2.destroyAllWindows()

我试图在没有过多参数化的情况下进行设置。我警惕“剪裁”＆＃39;只有这一个图像的算法，因为这个过程将在数十万个图像上运行（不同颜色的屋顶/屋顶可能与背景不太可区分）。也就是说，我希望看到一个能够解决问题的解决方案。蓝盒目标 - 这样我至少可以解决我做错了什么。

如果有人有一种快速而肮脏的方式来做这种事情，那么使用Python代码片段就可以了。

＆＃39;基地＆＃39;图像 - ＆gt;

Base Image

Answer 1

您应该应用以下内容：
1.对比度有限自适应直方图均衡 - CLAHE并转换为灰度 2.高斯模糊＆amp; {@ 3}}（扩张，侵蚀等），如@bad_keypoints所述。这将帮助您摆脱背景噪音。这是最棘手的一步，因为结果将取决于您应用的顺序（首先是高斯模糊然后是形态变换，反之亦然）以及您为此目的选择的窗口大小。
3.应用自适应阈值处理
4.应用Canny的边缘检测
5.找到具有四个角点的轮廓

如前所述，您需要调整这些函数的输入参数，还需要使用其他图像验证这些参数。因为它可能适用于这种情况，但不适用于其他情况。根据试验和错误，您需要修复参数值。

OpenCV（Python）：从阈值图像

1 个答案: