Python 如何检测与背景混合的物体

我想到了一种纯粹的图像处理方法.但结果并不像@Nathance所描述的那样准确

学说

太长，读不下go 了我使用的是Difference of Gaussians (DoG)，这是一个两级边缘检测器.

• 获取灰度图像.
• 对其执行两种不同的模糊操作.
• 减go 模糊的图像

模糊操作通常起到 suppress 高频的作用.通过减go 两种不同模糊操作的结果，我们得到一个带通滤波器.我想引用this blog中的一句话:"从另一个模糊图像中减go 一个模糊图像，可以保留介于两个模糊图像中保留的频率范围之间的空间信息."

我编写了一个简单的函数，返回两个模糊图像的差值:

def dog(img, k1, s1, k2, s2):
    b1 = cv2.GaussianBlur(img,(k1, k1), s1)
    b2 = cv2.GaussianBlur(img,(k2, k2), s2)
    return b1 - b2

方法

• 获取灰度图像
• 使用不同的内核大小和sigma值执行高斯模糊
• 减go 模糊的图像
• 应用大津阈值
• 找到足够大面积的等高线
• 根据轮廓的范围 Select 轮廓

Note:范围是一个轮廓的属性，它是contour area与其对应bounding rectangle area的比值.Taken from here

Code & Results

img = cv2.imread('path_to_image', cv2.IMREAD_UNCHANGED)
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# Function to perform Difference of Gaussians
def difference_of_Gaussians(img, k1, s1, k2, s2):
    b1 = cv2.GaussianBlur(img,(k1, k1), s1)
    b2 = cv2.GaussianBlur(img,(k2, k2), s2)
    return b1 - b2

DoG_img = difference_of_Gaussians(gray, 7, 7, 17, 13)

正如你所看到的，它起到了边缘检测器的作用.您可以改变内核大小(k1, k2)和sigma值(s1, s2)

# Applying Otsu Threshold and finding contours
th = cv2.threshold(DoG_img ,127,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)[1]
contours, hierarchy = cv2.findContours(th, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)

# Create copy of original image
img1 = img.copy()

# for each contour above certain area and extent, draw minimum bounding box  
for c in contours:
    area = cv2.contourArea(c)
    if area > 1500:
        x,y,w,h = cv2.boundingRect(c)
        extent = int(area)/w*h              
        if extent > 2000:
            rect = cv2.minAreaRect(c)
            box = cv2.boxPoints(rect)
            box = np.int0(box)
            cv2.drawContours(img1,[box],0,(0,255,0),4)

正如你所见，结果并不完美.在边缘检测过程中也会捕捉到物体的阴影(高斯差).您可以try 改变参数，以判断结果是否更好.