如何在 Python 中使用图像处理找到物体的直径？答案

【问题标题】：How to find the diameter of objects using image processing in Python?如何在 Python 中使用图像处理找到物体的直径？
【发布时间】：2016-07-26 19:48:01
【问题描述】：

给定一张包含一些不规则物体的图像，我想找到它们各自的直径。

Thanks to this answer，我知道如何识别对象。 但是，是否可以测量图像中显示的物体的最大直径？

我查看了scipy-ndimage 文档并没有找到专用函数。

物体识别代码：

import numpy as np
from scipy import ndimage
from matplotlib import pyplot as plt

# generate some lowpass-filtered noise as a test image
gen = np.random.RandomState(0)
img = gen.poisson(2, size=(512, 512))
img = ndimage.gaussian_filter(img.astype(np.double), (30, 30))
img -= img.min()
img /= img.max()

# use a boolean condition to find where pixel values are > 0.75
blobs = img > 0.75

# label connected regions that satisfy this condition
labels, nlabels = ndimage.label(blobs)

# find their centres of mass. in this case I'm weighting by the pixel values in
# `img`, but you could also pass the boolean values in `blobs` to compute the
# unweighted centroids.
r, c = np.vstack(ndimage.center_of_mass(img, labels, np.arange(nlabels) + 1)).T

# find their distances from the top-left corner
d = np.sqrt(r*r + c*c)

# plot
fig, ax = plt.subplots(1, 2, sharex=True, sharey=True, figsize=(10, 5))
ax[0].imshow(img)
ax[1].hold(True)
ax[1].imshow(np.ma.masked_array(labels, ~blobs), cmap=plt.cm.rainbow)
for ri, ci, di in zip(r, c, d):
    ax[1].annotate('', xy=(0, 0), xytext=(ci, ri),
                   arrowprops={'arrowstyle':'<-', 'shrinkA':0})
    ax[1].annotate('d=%.1f' % di, xy=(ci, ri),  xytext=(0, -5),
                   textcoords='offset points', ha='center', va='top',
                   fontsize='x-large')
for aa in ax.flat:
    aa.set_axis_off()
fig.tight_layout()
plt.show()

图片：

【问题讨论】：

一般来说这不是一个小问题。 OpenCV（有 python 绑定）有minEnclosingCircle，但我不知道 ndimage 中有类似的东西。另见，例如，en.wikipedia.org/wiki/Smallest-circle_problem

标签： python numpy image-processing geometry ndimage

【解决方案1】：

您可以使用skimage.measure.regionprops 来确定图像中所有区域的边界框。对于大致圆形的斑点，最小包围圆的直径可以用边界框的最大边来近似。为此，您只需在脚本末尾添加以下 sn-p：

from skimage.measure import regionprops

properties = regionprops(labels)
print 'Label \tLargest side'
for p in properties:
    min_row, min_col, max_row, max_col = p.bbox
    print '%5d %14.3f' % (p.label, max(max_row - min_row, max_col - min_col))

fig = plt.figure()
ax = fig.add_subplot(111)    
ax.imshow(np.ma.masked_array(labels, ~blobs), cmap=plt.cm.gist_rainbow) 
ax.set_title('Labeled objects')
plt.xticks([])
plt.yticks([])
for ri, ci, li in zip(r, c, range(1, nlabels+1)):
    ax.annotate(li, xy=(ci, ri), fontsize=24)
plt.show()

这是你得到的输出：

Label   Largest side
    1        106.000
    2         75.000
    3         79.000
    4         56.000
    5        161.000
    6         35.000
    7         47.000

【讨论】：

加上几句话以便更好地理解。 1）N或bins可以解释为图像中物体的数量吗？如果是这样，N=nlabels? 2）用单元格数来解释largest side是否正确？
1) 我简化了我的答案并且不再使用N。 2) 最大边以像素为单位

【解决方案2】：

我建议使用距离变换。因此，一旦您获得了标记图像，您就可以这样做：

dt = ndimage.distance_transform_edt(blobs)
slices = ndimage.find_objects(input=labels)
radii = [np.amax(dt[s]) for s in slices]

这给出了最大的内切圆（或 3D 球体）。 find_objects 函数非常方便。它返回一个 Python slice 对象列表，您可以使用它来索引包含 blob 的特定位置的图像。这些切片当然可以用于索引到距离变换图像。因此，切片内距离变换的最大值就是您要查找的半径。

上述代码有一个潜在的哥特式：切片是正方形（或立方体）部分，因此如果它们靠近在一起，可能包含其他小块。您可以使用更复杂的逻辑来解决此问题，如下所示：

radii = [np.amax(dt[slices[i]]*(labels[slices[i]] == (i+1))) for i in range(nlabels)]

上述版本的列表推导式用应该由切片索引的 blob 掩盖了距离变换，从而消除了来自相邻 blob 的任何不需要的干扰。

【讨论】：