python - 在骨架图像OpenCV python中查找线

Question

我有下面的图片:

我想找到线来做一些计算，平均长度等...... 我尝试使用 HoughLinesP，但没有找到线条。我该怎么办？

这是我的代码:

sk=skeleton(mask);
rows, cols = sk.shape
imgOut=np.zeros((rows,cols,3),np.uint8)
imgOut[:,:,0]=0
imgOut[:,:,1]=0
imgOut[:,:,2]=0


minLineLength = 0
maxLineGap = 0

lines = cv2.HoughLinesP(sk,1,np.pi/180,100,minLineLength,maxLineGap)
for x1,y1,x2,y2 in lines[0]:
    cv2.line(imgOut,(x1,y1),(x2,y2),(0,255,0),2)

print len(lines[0])

cv2.imshow('skel',sk)
cv2.imshow('Line',imgOut)
cv2.imwrite('Out.bmp',imgOut)

输出:

如果我更改 HoughLinesP 的参数，我只会得到线段，而不是实线。

Answer 1

尽管 Hough 线算法仅适用于线(并且您显然是在处理曲线)，但可能有一种方法可以挽救您的尝试，方法是大大增加 rho 和 theta 参数。

这应该使弯曲的边指向同一个 bin，而不是分成不同的 bin。

---

编辑: 你有一点问题:OpenCV 对 cv2.HoughLinesP 的定义。来自documentation :

cv2.HoughLinesP(image, rho, theta, threshold[, lines[, minLineLength[, maxLineGap]]])

如您所见，第 5 个参数是输出变量 lines。 你的电话是

cv2.HoughLinesP(sk,1,np.pi/180,100,minLineLength,maxLineGap)
                                   ^^^^^^^^^^^^^
                                   lines         

所以你给定的 minLineLength 参数没有效果(它变成了一个输出变量)，而且 maxLineGap 也有错误的解释。

我建议明确地写参数名称(还没有参数调整)

cv2.HoughLinesP(sk.astype(np.uint8),rho=1,theta=np.pi/180,threshold=100,
                minLineLength=minLineLength,maxLineGap=maxLineGap)

写的有点长，但至少OpenCV不会再混参数了

可视化线条

我更改了每行的线条颜色，以便更轻松地可视化哪个段在哪里:

    color = np.random.uniform(0,255,3)
    cv2.line(imgOut,(x1,y1),(x2,y2),color,2)

改变参数

通过减少 rho 和 theta 的 bin(通过增加参数实现)，您将有更多机会让曲线的边缘投票给同一条线 -垃圾箱。

这里有一些尝试(下面是完整的代码)

rho=5,theta=np.deg2rad(10),threshold=10,minLineLength=5,maxLineGap=2

显示的行太多。降低参数

为什么骨架化？

您的输入图像(如给定的)看起来边缘已经存在。 skeletonize 的输出只是边缘的中心线，这听起来像是一件积极的事情，但对于 Hough Lines 来说，这意味着减少为线段“投票”的像素数。

# sk = skeletonize(mask==255)
sk = mask==255

这在细节上没有太大变化，但我认为这不会影响手头的任务。

为什么不加标签？

您要获取的是单独的线段。为什么不直接标记图像？

from matplotlib import pyplot as plt
from scipy import ndimage 

labels,nblabels = ndimage.label(sk)
plt.imshow(labels,'jet')
plt.show()

通过应用一些形态学运算符，您将获得单独的线条，或者在最坏的情况下，获得线条分支。

现在你可以单独选择行了

line = labels == 2 # select the pixels with label 2 only

将霍夫线应用于这些问题可能无法理清它们，但您已经大大分解了您的问题。

度量的计算现在非常容易(参见 ndimage.measurement 文档)并且数组迭代非常简单。