OpenCV 简单 Blob 检测器未检测到所有 Blob

Question

我正在尝试将我的一个图像分析脚本从 Mathematica 移植到 Python OpenCV，但是我在使用其中一个函数时遇到了问题。

我设法对图像进行二值化和分水岭处理，就像在 Mathematica 中所做的那样。但是，过滤连接组件属性的步骤似乎无法正常工作。

输入图片如下：

但是，我尝试运行以下代码：

import cv2
import numpy as np

img = cv2.imread('test2.4.png', 1)
img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Set up the detector and configure its params.
params = cv2.SimpleBlobDetector_Params()
params.minDistBetweenBlobs = 0
params.filterByColor = True
params.blobColor = 255
params.filterByArea = True
params.minArea = 10
params.maxArea = 300000
params.filterByCircularity = False
params.filterByConvexity = False
params.filterByInertia = True
params.minInertiaRatio = 0.01
params.maxInertiaRatio = 1
detector = cv2.SimpleBlobDetector_create(params)

# Detect blobs.
keypointsb = detector.detect(img)

# Draw detected blobs as red circles.
im_with_keypoints = cv2.drawKeypoints(img, keypointsb, np.array([]), (0,0,255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

# Show keypoints
cv2.imwrite('test3.png',im_with_keypoints)

从代码中可以看出，我已将 blob 检测的参数设置为尽可能宽松。但是，没有检测到很大比例的斑点，也没有检测到分水岭分裂的斑点。

我检查了documentation for the function 并调整了大多数，除了阈值和repeatability（因为图像已经二值化了）。为了让函数检测所有存在的 blob，我应该执行任何其他配置吗？

或者，是否有任何其他最近/更新良好的库能够通过组件测量进行过滤？

Answer 1

我知道这已经很久了，但我在这里和你有类似的任务。对如何使用 width=1 线来分隔这些连接的 blob 感兴趣。

不过，我用 SimpleBlobDetector 玩了一会儿，它所做的只是简单地执行以下步骤（通过阅读它的源代码）：

1. 使用从 minThreshold 到 maxThreshold 的不同阈值（步长为 thresholdStep）对图像进行二值化
2. 在每个二值化图像中找到轮廓，在这里应用过滤器，例如面积、颜色、圆度、凸度、惯性等。
3. 根据位置组合所有过滤轮廓，即距离大于 minDistBetweenBlobs 且不重叠
4. 为所有保留的 blob（轮廓）存储和返回关键点

因此，我使用以下简单代码检查了 SimpleBlobDetector 的每个步骤，发现用于分隔连接的 blob 的 width=1 线被发现为单独的轮廓/blob（轮廓/blob 显示为红色和轮廓/斑点的中心在附加图像中显示为绿色），尤其是对于非水平/垂直线（1 像素轮廓）。然后这些小轮廓被 minArea 或 blobColor = 255 过滤掉。这就是为什么你的分裂 blob 被检测为更大的 blob。

import cv2
import numpy as np

img = cv2.imread('test3.png', 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, bin_img = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

out_img = img
temp_bin_img = bin_img.copy()
ret, contours = cv2.findContours(temp_bin_img, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
for i in range(len(contours)):
    M = cv2.moments(contours[i])
    if(M['m00'] == 0.0):
        continue
    x, y = int(M['m10'] / M['m00']), int(M['m01'] / M['m00'])

    out_img = cv2.drawContours(out_img, contours, i, (0,0,255), 1)
    cv2.circle(out_img, (x, y), 1, (0,255,0), -1)

cv2.imwrite('test3-contours.png', out_img)

test3-contours.png

为了改进，可能先尝试侵蚀以增加边界的宽度，然后使用 SimpleBlobDetector 或自己使用 findContours。像这样：

import cv2
import numpy as np

img = cv2.imread('YUSAQ.png', 1)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

ret, bin_img = cv2.threshold(gray, 127, 255, cv2.THRESH_BINARY)

kernel = np.ones((3,3),np.uint8)
erosion = cv2.erode(bin_img, kernel, iterations = 1)

out_img = img
temp_bin_img = erosion.copy()
ret, contours = cv2.findContours(temp_bin_img, cv2.RETR_LIST, cv2.CHAIN_APPROX_NONE)
for i in range(len(contours)):
    M = cv2.moments(contours[i])
    if(M['m00'] == 0.0):
        continue
    x, y = int(M['m10'] / M['m00']), int(M['m01'] / M['m00'])

    out_img = cv2.drawContours(out_img, contours, i, (0,0,255), 1)
    cv2.circle(out_img, (x, y), 1, (0,255,0), -1)

cv2.imwrite('test3-erosion.png', out_img)

使用 3x3 内核进行侵蚀会导致发现的 blob 比原始 blob 小 1~2 个像素。我没有对此进行更正（甚至没有想过）。如果你愿意，我想你可以自己做。希望这会有所帮助。

test3-erosion.png