我有带有黑点的灰度图像，可以将其转换为二进制(黑/白)图像。
样本:
灰度输入:
黑白图像:
我需要在红色圆圈中找到点
如果没有尖角，点之间的距离或多或少是均匀的。
我有一个基于原始灰度图像和 Harris 角点检测器以及聚类的半工作解决方案，但它非常慢且不那么直接。
我已经尝试过对圆圈进行霍夫变换，但是这些点太小(大约 10x10 像素)，无法在没有太多噪音的情况下正确检测到。
但是，我能够非常正确地检测灰度图像中的线条 - 参见图像中的红线。我已经使用这些知识并根据与线的距离过滤点。
但是，在某些情况下，这会失败。例如下面的图片就很成问题了——whick 边框有一个“洞”并且点太近了，连接到粗线。我也从被检测为点的数字中得到误报。
您对可能的解决方案有任何想法，最好是使用 OpenCV？
注意这只是一个样本，点可能不在细线上，而是分开或细线太亮等。所以线不能用来检测点。
最佳答案
一个潜在的解决方案是使用 morphological operations与 cv2.MORPH_ELLIPSE内核来隔离小点。这个想法是用 Otsu's threshold 获得二值图像。然后使用轮廓区域过滤过滤掉大的非连接对象。从我们执行变形打开以隔离点。最后我们找到轮廓并隔离点。结果如下:
代码
import cv2
import numpy as np
# Load image, grayscale, Otsu's threshold
image = cv2.imread('1.png')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
thresh = cv2.threshold(gray, 0, 255, cv2.THRESH_BINARY_INV + cv2.THRESH_OTSU)[1]
# Filter out large non-connecting objects
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
area = cv2.contourArea(c)
if area < 500:
cv2.drawContours(thresh,[c],0,0,-1)
# Morph open using elliptical shaped kernel
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (3,3))
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel, iterations=3)
# Find circles
cnts = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
area = cv2.contourArea(c)
if area > 20 and area < 50:
((x, y), r) = cv2.minEnclosingCircle(c)
cv2.circle(image, (int(x), int(y)), int(r), (36, 255, 12), 2)
cv2.imshow('thresh', thresh)
cv2.imshow('opening', opening)
cv2.imshow('image', image)
cv2.waitKey()
关于image - 检测图像中的小点，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/60603243/