计算分割和打乱图像中的垂直边缘坐标（位置）答案

【问题标题】：Calculate vertical edge coordinates(locations) in splitted & shuffled image计算分割和打乱图像中的垂直边缘坐标（位置）
【发布时间】：2022-01-01 23:25:27
【问题描述】：

假设您有一个数字图像。您将该图像垂直裁剪为 6 块。之后，您将这些碎片洗牌并随机重新排列这些碎片（子图像）。所以，你会得到如下图。

我想像拼图一样重建原始图像。首先，我们需要计算子图像合并的 X 轴上的正确点。例如，在第 100 个像素（X 轴）中，两个子样本合并。我必须解析这些点以重新获得子图像。我怎样才能做到这一点？图像垂直分割，X轴上的索贝尔过滤器能帮我找到锐利的过渡吗？有什么建议吗？

【问题讨论】：

标签： python opencv image-processing computer-vision python-imaging-library

【解决方案1】：

这是一个有趣的有向图问题。在每个切片中，最后一列与第一列有距离误差。构建图表后，您只需要找到头部，然后沿着最小成本路径走。我已经草拟了一个你可以从以下开始的脚本：

import cv2
import numpy as np
import  matplotlib.pyplot as plt
cut_thr = 0.19 # magic number , but kind of arbitrary as if you add a cut, you just make your graph bigger
im = cv2.imread(r'example.png').astype(np.float32)/255 #read image
im = cv2.cvtColor(im,cv2.COLOR_BGR2RGB)
dx=np.abs(np.diff(im,axis=1)) #x difference
dx = np.max(dx,axis=2) #max on all color channels
dx=np.median(dx,axis=0) #max on y axis
plt.plot(dx)

cuts = np.r_[0,np.where(dx>cut_thr)[0]+1,im.shape[1]] #inclusive borders
cuts = [im[:,cuts[i]:cuts[i+1]] for i in range(len(cuts)-1)]
n = len(cuts)
fig,ax = plt.subplots(1,n)
for a,c in zip(ax,cuts):
    a.imshow(c, aspect='auto')
    a.axis('off')

  d = np.ones((n,n))*np.nan # directed connectivity 
    for y in range(n):
        for x in range(y+1,n):
            d[y][x]=np.median(np.abs(cuts[y][:,-1]-cuts[x][:,0]))
            d[x][y]=np.median(np.abs(cuts[x][:,-1]-cuts[y][:,0]))
    src = np.arange(n)
    dst=np.nanargmin(d,axis=1) # the dest of source is the one with the lowest error
    indx=np.where(d==np.nanmin(d))[0][-1] #head, where to begin
    im = cuts[indx]
    for i in range(n-1):
        indx=dst[src[indx]]
        im = np.concatenate([im,cuts[indx]],axis=1)
    plt.figure()
    plt.imshow(im, aspect='equal')

【讨论】：

好答案！我了解您对子图像进行切片的方法，但我不明白您如何比较和排序子图像。此外，这种情况下可以接受重构部分（第 3 个代码块），但不适用于其他示例。您对比较子图像有什么建议吗？你提取和比较左右边缘会起作用吗？
每个子图都是图中的一个节点，边是源图最后一列到目的图第一列的差（这就是为什么d(x,y) !=d(y,x))。构建完整的图矩阵（标记为 d）后，您只需要找到一条包含所有权重最小的节点的路径。
获得所有权重后，就是旅行商问题 (en.m.wikipedia.org/wiki/Travelling_salesman_problem)
我明白了！即使我更改了阈值，您的代码也不适用于其他示例。排序算法不适用于其他图像。所以，我改变了算法。它首先寻找最左边的子图像，然后预测每个子图像的右边。