识别最密集的区域/集群答案

【问题标题】：Identifying the densest region/cluster识别最密集的区域/集群
【发布时间】：2018-07-18 01:09:51
【问题描述】：

我有这样的图像：

我想自动识别左上角密集的白框区域，然后填充它并将图像的其余部分涂黑。产生这样的东西：

本质上，我只想返回最密集集群的坐标。我尝试过诸如腐蚀、膨胀和二进制关闭等临时方法，但它们并不完全适合我的需求。我不确定我是否可以在这里使用k-means？寻找一种有效的方法，任何帮助表示赞赏。

【问题讨论】：

标签： python numpy image-processing scipy scikit-learn

【解决方案1】：

您可以稍微腐蚀一下图像，以去除更多的噪点，然后找到轮廓并按区域过滤它们。这是我将使用的（未测试）：

    kernel = np.ones((2, 2), np.uint8)
    img = cv2.erode(img, kernel, iterations = 2)

    #Finding contours of white square:
        _, conts, hierarchy = cv2.findContours(img, cv2.RETR_EXTERNAL , cv2.CHAIN_APPROX_SIMPLE)

    for cnt in conts:
        area = cv2.contourArea(cnt)

        #filter more noise
        if area > 200:   # optimize this number
            x1, y1, w, h = cv2.boundingRect(cnt)
            x2 = x1 + w                   # (x1, y1) = top-left vertex
            y2 = y1 + h                   # (x2, y2) = bottom-right vertex
            rect = cv2.rectangle(img, (x1, y1), (x2, y2), (255,0,0), 2)

【讨论】：

【解决方案2】：

这里一个正确的方法是应用一个大的平方平均滤波器。如果您知道您要查找的盒子的大致尺寸，则将该尺寸与过滤器相匹配。应用此过滤器后，图像中的最大像素值将位于最密集区域的中间。我们称这个点为 p。

接下来，对原始图像应用分割和连通分量标记。从您的示例图像中，您要查找的框似乎已连接。您可能想要应用一些形态学操作来确保它是连接的。您还可以绘制一个以 p 点为中心的大小合理的斑点，它将许多小区域连接在一起，形成一个密集区域。

接下来，移除除了包含点p的所有连接组件。您可以通过在像素 p 处找到标签，并比较标记图像中的所有像素与该标签是否相等来做到这一点。

这应该会为您留下一个连接的、紧凑的区域。如果您真的想强制找到的区域是一个框，您可以找到该区域的边界框，并将其绘制在您的图像上。

【讨论】：