如何在opencv中使用脊检测过滤器答案

【问题标题】：How to use ridge detection filter in opencv如何在opencv中使用脊检测过滤器
【发布时间】：2018-02-11 03:11:19
【问题描述】：

我正在尝试将 ridge/valley 过滤器与 opencv-python 一起使用。而且我刚刚查看了openCV官方website中的文档，里面告诉我要使用

out = cv.ximgproc_RidgeDetectionFilter.getRidgeFilteredImage( _img[, out] ).

但是，经过尝试，这个函数似乎在 cv2(python) 中不存在。是否有使用 openCV 或任何其他可用方法的替代方法？

【问题讨论】：

标签： python opencv computer-vision

【解决方案1】：

岭是图像的二阶导数矩阵的特征值，也称为hessian矩阵。

使用上述信息，您可以使用 scikit-image 提供的功能轻松编写脊检测器

from skimage.features import hessian_matrix, hessian_matrix_eigvals
def detect_ridges(gray, sigma=3.0):
    hxx, hyy, hxy = hessian_matrix(gray, sigma)
    i1, i2 = hessian_matrix_eigvals(hxx, hxy, hyy)
    return i1, i2

这里，i1 返回局部最大值脊，而 i2 返回局部最小值脊。您可以修改 sigma 值以获得适当的解决方案。示例：

实际上，在 Python/OpenCV 中，你可以这样做

image = cv2.imread('retina.tif')
ridge_filter = cv2.ximgproc.RidgeDetectionFilter_create()
ridges = ridge_filter.getRidgeFilteredImage(image)

cv2.ximgproc.RidgeDetectionFilter_create的参数包括：

@param ddepth  Specifies output image depth. Defualt is CV_32FC1
@param dx Order of derivative x, default is 1 .   
@param dy  Order of derivative y, default is 1 .   
@param ksize Sobel kernel size , default is 3 .   
@param out_dtype Converted format for output, default is CV_8UC1 .   
@param scale Optional scale value for derivative values, default is 1 .   
@param delta  Optional bias added to output, default is 0 .   
@param borderType Pixel extrapolation  method, default is BORDER_DEFAULT

来源 - https://docs.opencv.org/trunk/d4/d36/classcv_1_1ximgproc_1_1RidgeDetectionFilter.html

【讨论】：

模块名为skimage.feature（不是skimage.features）

【解决方案2】：

目前（scikit-image 1.14.1），接受的答案不起作用。这是一个版本：

import cv2
import matplotlib.pyplot as plt
from skimage.feature import hessian_matrix, hessian_matrix_eigvals

src_path = 'Fundus_photograph_of_normal_left_eye.jpg'

def detect_ridges(gray, sigma=1.0):
    H_elems = hessian_matrix(gray, sigma=sigma, order='rc')
    maxima_ridges, minima_ridges = hessian_matrix_eigvals(H_elems)
    return maxima_ridges, minima_ridges

def plot_images(*images):
    images = list(images)
    n = len(images)
    fig, ax = plt.subplots(ncols=n, sharey=True)
    for i, img in enumerate(images):
        ax[i].imshow(img, cmap='gray')
        ax[i].axis('off')
    plt.subplots_adjust(left=0.03, bottom=0.03, right=0.97, top=0.97)
    plt.show()

img = cv2.imread(src_path, 0) # 0 imports a grayscale
if img is None:
    raise(ValueError(f"Image didn\'t load. Check that '{src_path}' exists."))

a, b = detect_ridges(img, sigma=3.0)

plot_images(img, a, b)

图片来源：https://en.wikipedia.org/wiki/Fundus_photography#/media/File:Fundus_photograph_of_normal_left_eye.jpg

【讨论】：

【解决方案3】：

有一个基于“Steger, C., 1998. 曲线结构的无偏检测器。IEEE Transactions on Pattern Analysis and Machine Intelligence, 20(2), pp.113–125”的脊检测算法版本。纸。

它不使用openCV，因此我希望不要跑题，但您可以根据自己的目的修改代码

这里是链接： https://gitlab.gwdg.de/sphire/ridge_detection

可以直接通过pip安装 https://pypi.org/project/ridge-detection/

【讨论】：