opencv - 检测图像opencv中的对象区域

Question

我们目前正在尝试使用 OpenCV C++ 版本中可用的方法来检测医疗器械图像中的对象区域。示例图像如下所示:

以下是我们要遵循的步骤:

• 将图像转换为灰度
• 应用中值过滤器
• 使用 sobel 过滤器查找边
• 使用25的阈值将结果转换为二值图像
• 骨架化图像以确保我们有整齐的边缘
• 找到 X 个最大的连通分量

这种方法非常适合图像 1，结果如下:

• 黄色边框是检测到的连通分量。
• 矩形只是为了突出连接组件的存在。
• 为了获得可理解的结果，我们只是删除了完全位于任何另一个组件内部的连通组件，因此最终结果如下所示:

到目前为止，一切都很好，但另一个图像样本使我们的工作变得复杂，如下所示。

在物体下面放一条浅绿色的小毛巾会产生这样的图像:

像我们之前那样过滤区域后，我们得到了这个:

显然，这不是我们需要的..我们排除了这样的东西:

我正在考虑将找到的最接近的连接组件聚类(以某种方式!!)这样我们就可以最大限度地减少毛巾存在的影响，但还不知道它是否可行或者有人之前尝试过类似的东西？另外，有没有人有更好的办法来克服这类问题？

提前致谢。

Answer 1

这是我尝试过的。

在图像中，背景大部分是绿色的，背景的面积比前景的面积大得多。因此，如果您获取图像的颜色直方图，则绿色分块将具有更高的值。阈值此直方图，以便将具有较小值的箱设置为零。这样我们很可能会保留绿色(较高值)的容器并丢弃其他颜色。然后反向投影这个直方图。反投影将突出显示图像中的这些绿色区域。

反向投影:

• 然后设定这个反投影的阈值。这为我们提供了背景。

背景(经过一些形态过滤后):

• 反转背景以获得前景。

前景(经过一些形态过滤后):

• 然后找到前景的轮廓。

我认为这提供了一个合理的分割，并且使用它作为掩码您可以使用像 GrabCut 这样的分割来细化边界(我还没有尝试过这个)。

编辑: 我尝试了 GrabCut 方法，它确实细化了边界。我已经添加了 GrabCut 分割的代码。

轮廓:

使用前景作为 mask 的 GrabCut 分割:

我在直方图处理部分使用 OpenCV C API。

// load the color image
IplImage* im = cvLoadImage("bFly6.jpg");

// get the color histogram
IplImage* im32f = cvCreateImage(cvGetSize(im), IPL_DEPTH_32F, 3);
cvConvertScale(im, im32f);

int channels[] = {0, 1, 2};
int histSize[] = {32, 32, 32};
float rgbRange[] = {0, 256};
float* ranges[] = {rgbRange, rgbRange, rgbRange};

CvHistogram* hist = cvCreateHist(3, histSize, CV_HIST_ARRAY, ranges);
IplImage* b = cvCreateImage(cvGetSize(im32f), IPL_DEPTH_32F, 1);
IplImage* g = cvCreateImage(cvGetSize(im32f), IPL_DEPTH_32F, 1);
IplImage* r = cvCreateImage(cvGetSize(im32f), IPL_DEPTH_32F, 1);
IplImage* backproject32f = cvCreateImage(cvGetSize(im), IPL_DEPTH_32F, 1);
IplImage* backproject8u = cvCreateImage(cvGetSize(im), IPL_DEPTH_8U, 1);
IplImage* bw = cvCreateImage(cvGetSize(im), IPL_DEPTH_8U, 1);
IplConvKernel* kernel = cvCreateStructuringElementEx(3, 3, 1, 1, MORPH_ELLIPSE);

cvSplit(im32f, b, g, r, NULL);
IplImage* planes[] = {b, g, r};
cvCalcHist(planes, hist);

// find min and max values of histogram bins
float minval, maxval;
cvGetMinMaxHistValue(hist, &minval, &maxval);

// threshold the histogram. this sets the bin values that are below the threshold to zero
cvThreshHist(hist, maxval/32);

// backproject the thresholded histogram. backprojection should contain higher values for the
// background and lower values for the foreground
cvCalcBackProject(planes, backproject32f, hist);

// convert to 8u type
double min, max;
cvMinMaxLoc(backproject32f, &min, &max);
cvConvertScale(backproject32f, backproject8u, 255.0 / max);

// threshold backprojected image. this gives us the background
cvThreshold(backproject8u, bw, 10, 255, CV_THRESH_BINARY);

// some morphology on background
cvDilate(bw, bw, kernel, 1);
cvMorphologyEx(bw, bw, NULL, kernel, MORPH_CLOSE, 2);

// get the foreground
cvSubRS(bw, cvScalar(255, 255, 255), bw);
cvMorphologyEx(bw, bw, NULL, kernel, MORPH_OPEN, 2);
cvErode(bw, bw, kernel, 1);

// find contours of the foreground
//CvMemStorage* storage = cvCreateMemStorage(0);
//CvSeq* contours = 0;
//cvFindContours(bw, storage, &contours);
//cvDrawContours(im, contours, CV_RGB(255, 0, 0), CV_RGB(0, 0, 255), 1, 2);

// grabcut
Mat color(im);
Mat fg(bw);
Mat mask(bw->height, bw->width, CV_8U);

mask.setTo(GC_PR_BGD);
mask.setTo(GC_PR_FGD, fg);

Mat bgdModel, fgdModel;
grabCut(color, mask, Rect(), bgdModel, fgdModel, GC_INIT_WITH_MASK);

Mat gcfg = mask == GC_PR_FGD;

vector<vector<cv::Point>> contours;
vector<Vec4i> hierarchy;
findContours(gcfg, contours, hierarchy, CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE, cv::Point(0, 0));
for(int idx = 0; idx < contours.size(); idx++)
{
    drawContours(color, contours, idx, Scalar(0, 0, 255), 2);
}

// cleanup ...

更新:我们可以使用 C++ 接口(interface)执行上述操作，如下所示。

const int channels[] = {0, 1, 2};
const int histSize[] = {32, 32, 32};
const float rgbRange[] = {0, 256};
const float* ranges[] = {rgbRange, rgbRange, rgbRange};

Mat hist;
Mat im32fc3, backpr32f, backpr8u, backprBw, kernel;

Mat im = imread("bFly6.jpg");

im.convertTo(im32fc3, CV_32FC3);
calcHist(&im32fc3, 1, channels, Mat(), hist, 3, histSize, ranges, true, false);
calcBackProject(&im32fc3, 1, channels, hist, backpr32f, ranges);

double minval, maxval;
minMaxIdx(backpr32f, &minval, &maxval);
threshold(backpr32f, backpr32f, maxval/32, 255, THRESH_TOZERO);
backpr32f.convertTo(backpr8u, CV_8U, 255.0/maxval);
threshold(backpr8u, backprBw, 10, 255, THRESH_BINARY);

kernel = getStructuringElement(MORPH_ELLIPSE, Size(3, 3));

dilate(backprBw, backprBw, kernel);
morphologyEx(backprBw, backprBw, MORPH_CLOSE, kernel, Point(-1, -1), 2);

backprBw = 255 - backprBw;

morphologyEx(backprBw, backprBw, MORPH_OPEN, kernel, Point(-1, -1), 2);
erode(backprBw, backprBw, kernel);

Mat mask(backpr8u.rows, backpr8u.cols, CV_8U);

mask.setTo(GC_PR_BGD);
mask.setTo(GC_PR_FGD, backprBw);

Mat bgdModel, fgdModel;
grabCut(im, mask, Rect(), bgdModel, fgdModel, GC_INIT_WITH_MASK);

Mat fg = mask == GC_PR_FGD;