Question

我有一个二进制图像，我需要为给定的一组像素坐标选择最近的白色像素。

例如，如果我点击一个像素，我需要Python搜索值大于0的最近像素，然后返回该像素的坐标。

有什么想法吗？

我想我应该添加到目前为止我所做的事情。

import cv2
import numpy as np

img = cv.imread('depth.png', 0) # reads image as grayscale
edges = cv2.Canny(img, 10, 50)

white_coords = np.argwhere(edges == 255) # finds all of the white pixel coordinates in the image and places them in a list.

# this is where I'm stuck

Answer 1

首先使用cv2.findNonZero获取所有白色像素的numpy坐标数组。
接下来，计算点击目标点的距离（毕达哥拉斯定理）
使用numpy.argmin查找最低距离的位置。
返回相应非零像素的坐标。

示例脚本：

import cv2
import numpy as np

# Create a test image
img = np.zeros((1024,1024), np.uint8)

# Fill it with some white pixels
img[10,10] = 255
img[20,1000] = 255
img[:,800:] = 255


TARGET = (255,255)


def find_nearest_white(img, target):
    nonzero = cv2.findNonZero(img)
    distances = np.sqrt((nonzero[:,:,0] - TARGET[0]) ** 2 + (nonzero[:,:,1] - TARGET[1]) ** 2)
    nearest_index = np.argmin(distances)
    return nonzero[nearest_index]


print find_nearest_white(img, TARGET)

打印哪些：

[[10 10]]

并且需要大约4毫秒才能完成，因为它利用了优化的cv2和numpy函数。

或者，您可以使用纯numpy解决方案，并且如您所尝试的那样，使用numpy.argwhere代替cv2.findNonZero：

def find_nearest_white(img, target):
    nonzero = np.argwhere(img == 255)
    distances = np.sqrt((nonzero[:,0] - TARGET[0]) ** 2 + (nonzero[:,1] - TARGET[1]) ** 2)
    nearest_index = np.argmin(distances)
    return nonzero[nearest_index]

打印哪些：

[10 10]

然而，对我而言，这稍微慢一点，每次运行大约9毫秒。

Answer 2

想，是的！从给定像素开始循环，在第一次迭代检查给定像素周围的所有像素，如果找不到白色像素，则将距离增加1并检查给定像素的外接周长中的任何像素是否为白色，继续循环，直到找到白色像素或超出界限。

查找最近的白色像素到给定的像素位置openCV

2 个答案: