Обнаружение круговых областей с помощью OpenCV (с множеством мелких объектов)

Question

Обнаружение круговых областей с помощью OpenCV (с множеством мелких объектов)

1

На исходной картинке я хотел бы обнаружить круговые области. (желез) Мне удалось узнать контуры регионов, но из-за множества мелких объектов (ядер) я не могу идти дальше.

Моя первоначальная идея заключалась в удалении небольших объектов с помощью функции cv2.connectedComponentsWithStats. Но, к сожалению, как показано на рисунке, в glandy областях также содержат небольшие объекты, они не связаны должным образом. Функция также выбрасывает небольшие области, которые описывают железы, оставляя некоторые части вне контуров.

Может ли кто-нибудь помочь мне найти решение этой проблемы? заранее большое спасибо

Исходное изображение

Примерный контур желез (с большим количеством мелких предметов в нем)

После cv2.connectedComponentsWithStats

9511 19 окт. 2018, в 12:48

Источник

0

Это сложная проблема, но, к счастью, она была тщательно изучена. Пожалуйста, сделайте поиск литературы, прежде чем пытаться изобретать велосипед!
Cris Luengo 19 окт. 2018, в 13:59
0

Я знаю об этом, я прочитал несколько научных статей, но, к сожалению, эти методы не работают на моих изображениях. Я буду искать другие решения. Спасибо за совет.
9511 19 окт. 2018, в 14:11
0

Я не думаю, что традиционные методы обработки изображений способны справиться с такой задачей. Сементический сегмент в CNN (такой как UNet) может сделать эту работу.
Kinght 金 20 окт. 2018, в 01:19

Показать ещё 1 комментарий

Теги:

python

opencv

image-processing

1 ответ

Ещё вопросы

Это сложная проблема, но, к счастью, она была тщательно изучена. Пожалуйста, сделайте поиск литературы, прежде чем пытаться изобретать велосипед!
Я знаю об этом, я прочитал несколько научных статей, но, к сожалению, эти методы не работают на моих изображениях. Я буду искать другие решения. Спасибо за совет.
Я не думаю, что традиционные методы обработки изображений способны справиться с такой задачей. Сементический сегмент в CNN (такой как UNet) может сделать эту работу.

escaped · Answer 1 · 2018-10-19T10-37-00.000Z

OpenCV

Я думаю, что вы можете решить свою задачу, используя преобразование Хафа. Что-то вроде этого может работать для вас (вы должны настроить параметры в соответствии с вашими потребностями):

import sys
import cv2 as cv
import numpy as np


def main(argv):
    filename = argv[0]
    src = cv.imread(filename, cv.IMREAD_COLOR)
    if src is None:
        print ('Error opening image!')
        print ('Usage: hough_circle.py [image_name -- default ' + default_file + '] \n')
        return -1

    gray = cv.cvtColor(src, cv.COLOR_BGR2GRAY)

    gray = cv.medianBlur(gray, 5)

    rows = gray.shape[0]
    circles = cv.HoughCircles(gray, cv.HOUGH_GRADIENT, 1, rows / 32,
                               param1=100, param2=30,
                               minRadius=20, maxRadius=200)

    if circles is not None:
        circles = np.uint16(np.around(circles))
        for i in circles[0, :]:
            center = (i[0], i[1])
            # circle center
            cv.circle(src, center, 1, (0, 100, 100), 3)
            # circle outline
            radius = i[2]
            cv.circle(src, center, radius, (255, 0, 255), 2)


    cv.imshow("detected circles", src)
    cv.waitKey(0)

    return 0


if __name__ == "__main__":
    main(sys.argv[1:])

Может потребоваться некоторая дополнительная предварительная обработка, чтобы избавиться от шума, например, морфологические преобразования и выполнить обнаружение краев прямо перед трансформацией.

Нейронные сети

Другой вариант - использовать нейронную сеть для сегментации изображения. Довольно успешным является Mask RCNN. Уже существует работающая реализация python в GitHub: Mask RCNN - Nucleus.

Большое спасибо за вашу помощь, я обязательно попробую этот метод :)