【问题标题】：how to locate the center of a bright spot in an image?如何定位图像中亮点的中心？
【发布时间】：2015-07-16 21:13:25
【问题描述】：

这是我将要处理的图像类型的示例：

_{（来源：csverma at pages.cs.wisc.edu）}

每个球上都有一个亮点。我想定位亮点中心的坐标。我怎样才能在 Python 或 Matlab 中做到这一点？我现在遇到的问题是，现场不止一个点具有相同（或大致相同）的白色，但我需要找到这个“集群”白点的中心。

另外，对于最左边和最右边的图像，如何找到整个圆形物体的中心？

【问题讨论】：

与 2D 圆形掩模（例如高斯）卷积并找到相关性最大的掩模坐标？
为什么不简单地取图片亮度 95% 内的像素的平均坐标呢？当有多个亮点时，这将不起作用，但对于单个亮点，这应该为您提供最简单的解决方案。
您还可以转换为灰度，阈值并找到阈值结果的平均坐标。无需过滤。
可以试试这个：mathworks.com/matlabcentral/fileexchange/…
@bla - 哦，是的。漂亮的代码。

标签： python image matlab search image-processing

【解决方案1】：

您可以简单地对图像设置阈值并找到剩余部分的平均坐标。当有多个值具有相同的强度时，这将处理这种情况。当你对图像进行阈值处理时，显然会有不止一个明亮的白色像素，所以如果你想把它们放在一起，找到质心或平均坐标来确定所有这些白色的中心明亮的像素。在这种特殊情况下不需要过滤。这是 MATLAB 中的一些内容。

我直接读取了该图像，将其转换为灰度并清除了每个图像周围的白色边框。接下来，我将图像分成 5 个块，对图像进行阈值处理，找到剩余的平均坐标，并在每个中心所在的位置放置一个点：

im = imread('http://pages.cs.wisc.edu/~csverma/CS766_09/Stereo/callight.jpg');
im = rgb2gray(im);
im = imclearborder(im);

%// Split up images and place into individual cells
split_point = floor(size(im,2) / 5);
images = mat2cell(im, size(im,1), split_point*ones(5,1));

%// Show image to place dots
imshow(im);
hold on;

%// For each image...
for idx = 1 : 5
    %// Get image
    img = images{idx}; 

    %// Threshold
    thresh = img > 200;

    %// Find coordinates of thresholded image
    [y,x] = find(thresh);

    %// Find average
    xmean = mean(x);
    ymean = mean(y);

    %// Place dot at centre
    %// Make sure you offset by the right number of columns
    plot(xmean + (idx-1)*split_point, ymean, 'r.', 'MarkerSize', 18);
end

我明白了：

如果您需要 Python 解决方案，我建议使用 scikit-image 结合 numpy 和 matplotlib 进行绘图。这是上面用 Python 转录的代码。请注意，我将链接引用的图像手动保存在磁盘上并将其命名为balls.jpg：

import skimage.io
import skimage.segmentation
import numpy as np
import matplotlib.pyplot as plt

# Read in the image
# Note - intensities are floating point from [0,1]
im = skimage.io.imread('balls.jpg', True)

# Threshold the image first then clear the border
im_clear = skimage.segmentation.clear_border(im > (200.0/255.0))

# Determine where to split up the image
split_point = int(im.shape[1]/5)

# Show image in figure and hold to place dots in
plt.figure()
plt.imshow(np.dstack([im,im,im]))

# For each image...
for idx in range(5):

  # Extract sub image
  img = im_clear[:,idx*split_point:(idx+1)*split_point]

  # Find coordinates of thresholded image
  y,x = np.nonzero(img)

  # Find average
  xmean = x.mean()
  ymean = y.mean()

  # Plot on figure
  plt.plot(xmean + idx*split_point, ymean, 'r.', markersize=14)

# Show image and make sure axis is removed
plt.axis('off')
plt.show()

我们得到这个数字：

小旁注

我本可以完全跳过上面的代码并使用regionprops（MATLAB link，scikit-image link）。您可以简单地对图像进行阈值处理，然后应用 regionprops 来查找每个白色像素簇的质心，但我想我会向您展示一种更手动的方法，以便您可以欣赏算法并自己理解它。

希望这会有所帮助！

【讨论】：

很好的完整答案。由于找到正确的阈值（此处为 200/255）可能很棘手，我建议应用非线性凹函数（如我在回答中解释的 exp 或 gamma 校正 操作) 很重要，因为它更加突出了最亮的点。它使检测更加稳健。在任何情况下，也可以使用直方图自动找到正确的阈值；例如通过查找所有像素中最亮的 1%（以百分位数表示）像素的值。
@SohailSi 像 Otsu 这样的东西可以按照您的建议评估直方图。应用非线性过滤器也是一个好主意，但我将把它留给 OP。我想我已经为一个帖子做的足够了！

【解决方案2】：

使用 2D 卷积，然后找到强度最高的点。您可以在应用 2d 卷积之前对强度值应用凹非线性函数（例如 exp），以增强相对于图像较暗部分的亮点。类似conv2(exp(img),ker)

【讨论】：