从阈值蒙版生成圆形粒子的分割蒙版？

Question

我正在尝试在所附图像中找到所有圆形粒子。这是我唯一拥有的图片（连同它的反面）。

我已阅读this post，但我无法使用 hsv 值进行阈值处理。我尝试过使用霍夫变换。

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图

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')

以下代码用于绘制掩码：

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)
  

然而，我只能得到以下面具，如果相当差的话。

这是一张关于什么被认为是粒子和什么不是粒子的图像。

Answer 1

我的方法基于一个简单的观察，即图像中的大多数粒子的周长大致相同，而“非粒子”的周长比它们大。

首先，看一下 RANSAC 算法以及它如何找到内点和异常点。它基本上适用于 2D 数据，但在我们的案例中我们必须将其转换为 1D 数据。

在你的情况下，我称正确粒子的内点和不正确粒子的异常值。

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并获取每个轮廓的周长。 Refer this for information about Contours.

现在我们有了关于 RANSAC 算法的数据、知识和我们上面提到的简单观察。现在在这个数据中，我们必须找到最密集和最紧凑的集群，它将包含所有的内点，而其他的将是异常点。

现在让我们假设内点在 40-60 的范围内，并且离群值超出 60。让我们定义一个阈值 T = 0。我们说对于数据中的每个点，该点的内点都在范围内of（该点的值 - T，该点的值 + T）。

现在首先遍历数据中的所有点并计算 T 的点的内点数并存储此信息。找到 T 值可能的最大内点数。现在将 T 的值增加 1，然后再次找到该 T 可能的最大内点数。通过将 T 的值一个一个地递增来重复这些步骤。

T 的值范围内的最大内点数是相同的。这些内点是图像中的粒子，周长大于这些内点的粒子是异常值，因此是图像中的“非粒子”。

我已经在我的测试用例中尝试过这个算法，它与你的相似并且有效。我总是能够确定异常值。我希望它也对你有用。

最后一件事，我发现你的粒子边界不规则且不平滑，如果在这张图片中这对你不起作用，请尝试使它们平滑并使用此算法。

Answer 2

一种简单的方法是稍微腐蚀图像，分离接触的圆形物体，然后进行连通分量分析并丢弃所有大于某个选定阈值的物体，最后将图像放大，使圆形物体近似于原始大小再次。我们可以对标记的图像进行这种膨胀，这样您就可以保留分离的对象。

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，我们在这里使用的图像似乎是放大的屏幕截图，而不是 OP 正在处理的原始图像。如果是这样，则必须使参数更小以识别较小图像中的较小对象。