如何使用Python / Opencv分割二进制图像中的附近元素

Question

我有这个二进制图像，其中每个'曲线'代表一堆这些对象的帽子。它是通过对堆积的草帽的原始图像的区域进行阈值处理而获得的。

正如您所看到的，这些曲线在其形状内部有许多 间隙 和 孔 ，这些很糟糕使用像 cv.connectedcomponentes 这样的技术来获取图像中的对象数量，这是我的目标。

我认为如果有一些技术来填补这些间隙和/或主要是空洞，在原始二进制图像的较小部分，就像我正在展示的那些，可能是 连接附近的元素 或 检测和填充轮廓 ，可以将每条曲线细分为单个元素。

Answer 1

不是最优雅的方式，但它应该足够简单。
考虑使用w的垂直切片（与您在问题中发布的切片相同）。如果你沿着切片的行对白色像素求和，你应该得到六个与帽子的六个边缘相对应的漂亮“峰”：

然而，由于轮辋是圆形的，因此对于这种估计，一些垂直切片会比其他切片更好 因此，我建议查看宽度为w的所有切片，并计算每个切片的峰值。
这是一个执行此操作的Matlab代码

img = imread('http://i.stack.imgur.com/69FfJ.jpg');  % read the image
bw = img(:,:,1)>128;  % convert to binary 

w = 75;  % width of slice
all_slices = imfilter(single(bw), ones(1,w)/w, 'symmetric')>.5;  % compute horizontal sum of all slices using filter
% a peak is a slice with more than 50% "white" pixels
peaks = diff( all_slices, 1, 1 ) > 0;  % detect the peaks using vertical diff
count_per_slice = sum( peaks, 1 );  % how many peaks each slice think it sees

查看count_per_slice：

的分布情况

你看，虽然许多切片预测了错误的帽子数量（4到9之间），但多数人对正确的数字6进行投票：

num_hats = mode(count_per_slice);  % take the mode of the distribution.

执行相同操作的python代码（假设bw是shape (h,w)和dtype bool的numpy数组：

from scipy import signal, stats
import numpy as np
w = 75;
all_slices = signal.convolve2d( bw.astype('f4'), np.ones((1,w),dtype='f4')/float(w), mode='same', boundary='symmetric')>0.5
peaks = np.diff( all_slices, n=1, axis=0 ) > 0
count_per_slice = peaks.sum( axis=0 )
num_hats = stats.mode( count_per_slice )