我一直在开发一个应用程序来计算圆形物体，例如图片中的细菌菌落。
物体通常与背景完全不同，这一点很容易做到这一点。
然而，很少有困难使分析变得棘手:
- 背景会呈现渐变和快速的强度变化。
- 在容器的边缘，对象将是椭圆形而不是圆形。
- 物体的边缘有时会比较模糊。
- 对象将聚集在一起。
- 对象可以非常小(直径 6 像素)
- 最终，算法将被那些对图像分析没有深入了解的人使用(通过 GUI)，因此参数必须直观且很少。
该问题已在科学文献中多次解决并“解决”，例如使用循环霍夫变换或分水岭方法，但我从未对结果感到满意。
所描述的一种简单方法是通过自适应阈值处理获得前景，并使用距离变换分割(如我在 this post 中所述)聚类对象。
我已经成功地实现了这种方法，但它不能总是处理强度的突然变化。此外，同行要求我提出一种更“新颖”的方法。
因此我一直在寻找一种提取前景的新方法。
因此，我研究了其他阈值/ Blob 检测方法。 我尝试了 MSER，但发现在我的情况下它们不是很健壮而且速度很慢。
我最终提出了一个算法，到目前为止，它给了我很好的结果:
- 我拆分图像的三个 channel 并减少它们的噪点(模糊/中值模糊)。对于每个 channel :
- 我通过计算原始 channel 和卷积(通过大内核模糊) channel 之间的绝对差来应用自适应阈值的第一步的手动实现。然后，对于阈值的所有相关值:
- 我对 2) 的结果应用阈值
- 寻找轮廓
- 在授予其形状(大小、面积、凸度...)时验证或使轮廓无效
- 只有有效的连续区域(即由轮廓分隔)然后在累加器中重绘(每个 channel 1 个累加器)。
- 在累积超过阈值的连续区域后，我最终得到了一张“区域分数”的 map 。强度最高的区域是最常满足形态过滤标准的区域。
- 然后将三张 map (每个 channel 一张)转换为灰度图并设置阈值(阈值由用户控制)
只是为了向您展示我必须使用的图像类型:
这张图片代表了顶部 3 个示例图像的一部分，以及底部各个部分的算法结果(蓝色 = 前景)。
这是我的 C++ 实现:3-7
/*
* cv::Mat dst[3] is the result of the absolute difference between original and convolved channel.
* MCF(std::vector<cv::Point>, int, int) is a filter function that returns an positive int only if the input contour is valid.
*/
/* Allocate 3 matrices (1 per channel)*/
cv::Mat accu[3];
/* We define the maximal threshold to be tried as half of the absolute maximal value in each channel*/
int maxBGR[3];
for(unsigned int i=0; i<3;i++){
double min, max;
cv::minMaxLoc(dst[i],&min,&max);
maxBGR[i] = max/2;
/* In addition, we fill accumulators by zeros*/
accu[i]=cv::Mat(compos[0].rows,compos[0].cols,CV_8U,cv::Scalar(0));
}
/* This loops are intended to be multithreaded using
#pragma omp parallel for collapse(2) schedule(dynamic)
For each channel */
for(unsigned int i=0; i<3;i++){
/* For each value of threshold (m_step can be > 1 in order to save time)*/
for(int j=0;j<maxBGR[i] ;j += m_step ){
/* Temporary matrix*/
cv::Mat tmp;
std::vector<std::vector<cv::Point> > contours;
/* Thresholds dst by j*/
cv::threshold(dst[i],tmp, j, 255, cv::THRESH_BINARY);
/* Finds continous regions*/
cv::findContours(tmp, contours, CV_RETR_LIST, CV_CHAIN_APPROX_TC89_L1);
if(contours.size() > 0){
/* Tests each contours*/
for(unsigned int k=0;k<contours.size();k++){
int valid = MCF(contours[k],m_minRad,m_maxRad);
if(valid>0){
/* I found that redrawing was very much faster if the given contour was copied in a smaller container.
* I do not really understand why though. For instance,
cv::drawContours(miniTmp,contours,k,cv::Scalar(1),-1,8,cv::noArray(), INT_MAX, cv::Point(-rect.x,-rect.y));
is slower especially if contours is very long.
*/
std::vector<std::vector<cv::Point> > tpv(1);
std::copy(contours.begin()+k, contours.begin()+k+1, tpv.begin());
/* We make a Roi here*/
cv::Rect rect = cv::boundingRect(tpv[0]);
cv::Mat miniTmp(rect.height,rect.width,CV_8U,cv::Scalar(0));
cv::drawContours(miniTmp,tpv,0,cv::Scalar(1),-1,8,cv::noArray(), INT_MAX, cv::Point(-rect.x,-rect.y));
accu[i](rect) = miniTmp + accu[i](rect);
}
}
}
}
}
/* Make the global scoreMap*/
cv::merge(accu,3,scoreMap);
/* Conditional noise removal*/
if(m_minRad>2)
cv::medianBlur(scoreMap,scoreMap,3);
cvtColor(scoreMap,scoreMap,CV_BGR2GRAY);
我有两个问题:
这种前景提取方法的名称是什么？您认为在这种情况下使用它可能不合适吗？
由于递归查找和绘制轮廓非常密集，我想让我的算法更快。你能告诉我实现这个目标的任何方法吗？
非常感谢您的帮助，
最佳答案
几年前，我写了一个应用程序来检测显微镜图像中的细胞。代码是用 Matlab 编写的，我认为现在比它应该的要复杂得多(这是我的第一个 CV 项目)，所以我只会概述对你有帮助的技巧。顺便说一句，它的速度非常慢，但它非常擅长分离大量的双胞胎。
我定义了一个度量来评估给定点是单元格中心的机会: - 亮度在其周围呈圆形下降 - 纹理亮度的变化遵循给定的模式 - 一个单元格不会覆盖超过 % 的相邻单元格
有了它，我开始反复寻找最佳单元格，将其标记为已找到，然后寻找下一个。因为这样的搜索很昂贵，所以我使用遗传算法在我的特征空间中更快地搜索。
部分结果如下:
关于c++ - 通过迭代自适应阈值和形状分析检测圆形对象的集群，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/11631188/