从阈值蒙版生成圆形粒子的分段蒙版？

Question

我正尝试在所附图像中找到所有圆形颗粒。这是我唯一的图像（及其逆图像）。

我已阅读this post，但无法将hsv值用于阈值设置。我尝试使用霍夫变换。

circles = cv2.HoughCircles(img, cv2.HOUGH_GRADIENT, dp=0.01, minDist=0.1, param1=10, param2=5, minRadius=3,maxRadius=6)

并使用以下代码进行绘制

names =[circles]
for nums in names:
  color_img = cv2.imread(path)
  blue = (211,211,211)
  for x, y, r in nums[0]:
    cv2.circle(color_img, (x,y), r, blue, 1)
    
  plt.figure(figsize=(15,15))
  plt.title("Hough")
  plt.imshow(color_img, cmap='gray')

以下代码用于绘制蒙版：

for masks in names:
  black = np.zeros(img_gray.shape)
  for x, y, r in masks[0]:
    cv2.circle(black, (x,y), int(r), 255, -1)  # -1 to draw filled circles
plt.imshow(black, gray)
  

但我只能得到以下面膜，如果很差的话。

这是什么是粒子，什么不是粒子的图像。

Answer 1

我的方法是基于一个简单的观察结果，即图像中的大多数粒子的周长大致相同，而“非粒子”的周长大于它们。

首先，看一下RANSAC算法以及如何找到离群值和离群值。它基本上是2D数据，但在这种情况下，我们将不得不将其转换为1D数据。

在您的情况下，我将内部值称为正确的粒子，将外部值称为错误的粒子。

我们必须处理的数据将是这些粒子的周长。要获取周长，请在此图像中找到轮廓，然后获取每个轮廓的周长。 Refer this for information about Contours。

现在，我们有了有关RANSAC算法的数据，知识以及上面提到的简单观察。现在，在这些数据中，我们必须找到最密集，最紧凑的聚类，其中将包含所有的异常值，而其他的则是异常值。

现在让我们假设离群值在40-60范围内，离群值超出60。让我们定义一个阈值T =0。我们说对于数据中的每个点，该点的离群值都在范围内（该点的值-T，该点的值+ T）。

现在，首先遍历数据中的所有点，并为T计算该点的惯性数并存储此信息。找到一个T值可能的最大内线数。现在将T的值增加1，然后再次找到该T的最大内线数。通过将T的值一个一地重复这些步骤。

将存在一个T值范围，其最大内线数相同。这些离群值就是图像中的粒子，而周长大于这些离群值的粒子就是离群值，因此图像中的“非粒子”。

我在与您相似的测试用例中尝试了该算法，并且可以正常工作。我总是能够确定异常值。我希望它也对您有用。

最后一件事，我发现您的粒子边界是不规则且不平滑的，如果此图像不适用于您，请尝试使其平滑并使用此算法。

Answer 2

一种简单的方法涉及稍微腐蚀图像，以分离触摸的圆形对象，然后进行连接的分量分析并丢弃所有大于某个选定阈值的对象，最后将图像放大回去，以使圆形对象的大小近似于原始大小再次。我们可以对带标签的图像进行这种膨胀，以便保留分离的对象。

我使用DIPlib是因为我最熟悉它（我是作者）。

import diplib as dip

a = dip.ImageRead('6O0Oe.png')
a = a(0) > 127        # the PNG is a color image, but OP's image is binary,
                      # so we binarize here to simulate OP's condition.

separation = 7        # tweak these two parameters as necessary
size_threshold = 500

b = dip.Erosion(a, dip.SE(separation))
b = dip.Label(b, maxSize=size_threshold)
b = dip.Dilation(b, dip.SE(separation))

请注意，此处使用的图像似乎是放大的屏幕抓图，而不是OP处理的原始图像。如果是这样，则必须使参数变小以识别较小图像中的较小对象。