Question

我有一个显示一些物体的图像，其中一个物体总是在另一个物体内。背景总是黑色。

我想知道两个物体的周长并找到解决方案。我使用滤波器来获得每个像素的4邻域。然后我计算像素周围的零像素数。这给出了形状的像素单位的长度。如果中心像素是所需的颜色，我只计算在这种情况下。

from scipy import misc, ndimage
import numpy as np
import time

def get_circumference(arr, only=50, repl=50):
    def c_length(values):
        # 3rd value is the pixel
        if values[2] == only:
            return sum([x == 0 or (repl == 0 and x != only) for x in values[[0,1,3,4]]])
        return 0

    fp = np.array([[0, 1, 0], [1, 1, 1], [0, 1, 0]])
    res = ndimage.generic_filter(arr, c_length, footprint=fp)

    return np.sum(res, axis=None)

x = ndimage.imread("image.png", mode='L')

tic = time.time()
inner = get_circumference(x, only=255, repl=0)
outer = get_circumference(x, only=128, repl=128)
print("Inner object: {}, outer object: {}, took: {}".format(inner, outer, time.time() - tic))

给了我：

Inner object: 510, outer object: 1054, took: 0.8387038707733154

它工作得很好。但它很慢。单个图像大约需要500到1000毫秒。由于我需要为数千张图片执行此操作，因此需要花费太多时间。

有没有办法加快速度？我知道，图像将始终包含三种颜色，并且内部部分将始终完全被外部部分包围。此外，永远不会出现图像边界形状的情况。

当然，实际计算周长有不同的方法。只给出一个像素，有两种可能的解决方案：1或4。第一种方法只计算像素数，即单个像素计为单个圆周单位。在后一种情况下，计算像素的实际边缘。在我的解决方案中，我使用后一种方法来计算周长。如果仅通过边缘检测和直方图计算，您将获得第一个解决方案。

这是另一个例子，这个差异实际上也可以手工计算：

它由8个灰色像素和一个白色像素组成。因此，外圆周为3 + 3 + 3 + 3 = 12，内部为4。通过直方图进行的像素计数将为外部提供8，为内部提供1。

Answer 1

我使用OpenCV进行图片处理，this question对OpenCV来说并不难。

阅读图片并转换为灰色

阈值灰色

在脱粒二进制图像上查找轮廓。

计算每个轮廓的arclen（圆周）和面积（如果需要）。

120的阈值：

Th: 120.0
Length: 869.578
Area: 53932.000
Time: 0.002293109893798828s

阈值200：

Th: 200.0
Length: 423.990
Area: 11892.000
Time: 0.0015425682067871094s

## -------------------------------------
#!/usr/bin/python3
# 2018.01.16 10:23:47 CST
# 2018.01.16 12:30:20 CST
"""
Env: Python 3.5 + OpenCV 3.3
"""
import numpy as np
import cv2
import time

def findArc(img, th):
    res = img.copy()
    print("Th: {}".format(th))

    ts = time.time()
    ## convert to gray 
    gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

    ## threshold the gray 
    th, threshed = cv2.threshold(gray, th, 255,  cv2.THRESH_BINARY)

    ## Find contours on the binary threshed image 
    cnts = cv2.findContours(threshed, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)[-2]

    ## calcualte 
    for cnt in cnts:
        arclen = cv2.arcLength(cnt, True)
        area = cv2.contourArea(cnt)
        cv2.drawContours(res, [cnt], -1, (0,255,0), 3, cv2.LINE_AA)
        print("Length: {:.3f}\nArea: {:.3f}".format(arclen, area))

    print("Time: {}s".format(time.time()-ts))

    cv2.imshow("res", res)
    cv2.waitKey();cv2.destroyAllWindows()
    cv2.imwrite("res_{}.png".format(th), res)


img = cv2.imread("img03.png")
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

findArc(img, 120)
findArc(img, 200)

Answer 2

您可以通过使用形态侵蚀来解决这个问题，这会改变具有较低邻居的像素的颜色。然后比较两个图像的相等性，得到下面的结果。

这些操作应该在OpenCV中可用，并且运行速度比Python代码快得多。

另请注意，计算给定颜色的像素只是直方图的计算。

<强>更新

我们更容易：

取直方图，
侵蚀，
再次拍摄直方图。

计数之间的差异是轮廓像素的数量。而且你可以一次性获得灰色和白色的数量。

使用我的超级优化功能

Histogram: 0.250 ms
Erosion:   0.050 ms
Histogram: 0.250 ms
Total:     0.550 ms

更好：

取图像的平均值及其侵蚀，然后是直方图。轮廓像素显示为中间灰度值。

Erosion:   0.060 ms
Average:   0.020 ms
Histogram: 0.230 ms
Total:     0.310 ms

现在的瓶颈是读取图像（来自文件）。

Answer 3

如果使用contour detection，则可以同时检测给定图像的两个对象的周长。如果图像是自然的，这会有点棘手，但对于其他方法，例如基于区域和形态的方法，情况就是如此。

有没有更快的方法来找到形状的圆周？

3 个答案: