比MultiRANSAC更好的算法在粉末衍射图像中找到椭圆？

Question

我正在开展一个项目，该项目采用粉末衍射图像并试图找到图像中的所有椭圆环。

我使用的RANSAC算法将椭圆拟合到数据中，然后减去这些点（内点）并继续拟合另一个椭圆，直到内部比率变得足够小。

我的问题是，根据我如何设置阈值距离，它要么应该比应有的椭圆更多，要么不够。

我想知道无论如何要改进RANSAC更准确还是我应该使用更好的算法？

RAW IMAGE

阈值距离设置为5

阈值距离设置为10

Answer 1

我没有关于你正在处理的过程的背景知识，但看起来像所有椭圆（很难说是否真的是椭圆）是同心的，所以为了提高我会尝试的准确性：

1. 找到中心

   或其近似值。我们称之为x0,y0并让图像分辨率为xs,ys。您已经知道它的位置（由于您的图像属性的知识）或估计它（扫描一个椭圆并找到穿过整个椭圆的2条线，它们的交点是您的中心）。如果中心不精确，那么结果将更像椭圆形，然后是椭圆形，但无关紧要，您可以重建原始的去噪图像，或者从后面的数据重新计算中心...

2. 从(x0,y0)投射光线到(xs-1,0)

   并将图像内容沿着它复制到一些大小为xs+ys的清除行缓冲区，以确保覆盖任何具有保留的中心位置......

3. 将整个图像与光线整合

   所以投射光线始终从(x0,y0)到(xs-1,1),(xs-1,2)...(xs-1,ys-1)然后(xs-2,ys-1),...(0,ys-1)等以覆盖整个图像周长。 找出与原始存储线的比例比（大多数峰必须匹配），并将沿着光线重新调整的图像内容添加到存储的行缓冲区。

   记住每个角度的比例。

   用所用光线的数量覆盖整个图像分割线缓冲区后，你可以通过椭圆环平均切割出更多的情人噪音。现在只需找到其中的峰值。每个峰代表单独的椭圆，其位置在初始光线位置角度给出半径。

   刻度为您提供椭圆/椭圆属性。因此，找到最小和最大刻度，为您提供主轴和短轴的角度...具有峰值位置的刻度本身为您提供轴的大小...所以不需要RANSAC（但您仍然可以将它用于刻度计算）。

   

<强> [注释]

为了避免在平均线中出现，您可以为其中的每个像素添加一个计数，其中包含为每个像素添加了多少光线并将其用于最终分割。

这些质量保证也可能有所帮助：

• find archery target in image of different perspectives
• Algorithms: Ellipse matching

[Edit1]更多信息

我很好奇所以我试了一下（概念证明）。我将您的图像调整为512x512，使其适合窗口以便于目视检查，并手动将中心设置为(133,285)然后创建所有光线的集成（现在不进行缩放），然后我部分重建图像：



太阳像形状是从积分平均线重建的图像，其余是原始图像。你可以看到这两个几乎完全吻合，所以你的椭圆几乎是圆形的（或者是圆形的，我的中心有点偏离）。

水色图是相对于积分平均线的距离形式中心的强度（y轴）。每个峰代表一个圆。因此，您可以在1D数据中找到圆圈，而不是在2D中。这里完全重建的图像没有任何调试绘图：



看起来缩放对于这种情况来说并不是一种好方法，而应该使用偏移（最多比前一次光线偏移的+/-几个像素）。如果有更多时间的心情，请试一试......

[edit2]更精确的中心和更多信息

您越接近中心，平均线中就会出现更尖锐，更大的尖峰。它可以用来更精确地适应中心（我使用它并发现我在x轴上偏离了1个像素，这对于手动中心选择非常有用......）。之后，由于椭圆是圆圈，因此不需要缩放或移位。然后只需减去平均线的滑动平均值（Aqua图）并仅检测正峰值（蓝图）：



每个尖峰代表一个圆（半径是距离中心的距离，也是线阵列中的地址，以像素为单位），所以只有阈值强度尖峰和输出圆......



应用峰值检测和全精度积分后：