Claire's Blog

原始圖片 在寫純OpenCV的圖像辨識上，最困難的是當要找尋的目標的邊界因為模糊或相黏，而無法抓出正確的邊界的狀況 因為一般使用OpenCV做圖像辨識，我們都會需要先抓到例如說畫面中的某種色塊、再找尋某種符合某條件的形狀之類的 例如以修圖軟體而言，可能會需要先抓取膚色，然後轉換膚色的灰度階層取得面部的高低起伏，再根據灰度階層去抓取符合某種形狀的高低(如鼻子)或顏色差(如嘴巴、眼睛) 也因此，抓取正確的形狀在純粹的圖像辨識(沒有機器學習)的狀況下非常重要，而拆分相黏的形狀(如手放在臉前面)，仍然要正確的辨識目標物件，也成了圖像辨識的一大挑戰 關於這一系列的其他文章，請見: 分水嶺演算法-偵測相連區域形狀 如何檢測畫面中可能的正方形 以下為這次我們要挑戰的目標，就是將這兩個黏在一起的正方形拆分為兩個正方形 解決問題的思考方向 首先我先參考官網的分水嶺演算法介紹:Image Segmentation with Watershed Algorithm 這邊的狀況和我們的需求很類似，都是將相黏的物件拆分開來 下面是在stackoverflow裡一位大大分享的他使用分水嶺演算法的範例程式: 在這篇文章裡有幾個函數需要我們去理解: cv.distanceTransform OpenCV的distanceTransform是一個圖像處理功能，可以計算圖像中每個像素到最近的零值像素之間的歐幾里德距離。distanceTransform功能可以在圖像分割、形狀檢測、物體識別等應用中使用。 在OpenCV中，distanceTransform有三種不同的實現方式：cv2.DIST_L1、cv2.DIST_L2和cv2.DIST_C。cv2.DIST_L1使用曼哈頓距離，cv2.DIST_L2使用歐幾里德距離，而cv2.DIST_C使用切比雪夫距離。 使用distanceTransform功能需要先將圖像二值化，然後計算圖像中每個像素到最近的零值像素之間的距離。distanceTransform返回的結果是一個浮點型的圖像，每個像素值表示該像素到最近的零值像素之間的距離。 以下是distanceTransform的Python程式碼示例： 以下為對上圖做cv.distanceTransform的結果 cv.threshold 將距離變換圖像dt進行歸一化處理，將其轉換成0-255之間的整數型圖像，並使用threshold函數將其二值化，生成一個二值化圖像dt。這個二值化圖像dt中的像素值只有0和255兩種，用來表示圖像中物體和背景之間的分界線。 在這邊我使用了0.9*dist_transform.max()來做為閥值，確認兩個方形之間可以不相連 結果如下: cv2.connectedComponents 在圖像處理和計算機視覺中，常常需要將圖像分割成多個不同的區域，然後對每個區域進行不同的分析和處理。圖像分割的第一步就是對圖像進行連通區域標記，將相連的像素點標記為同一個區域，以便後續處理。 程式碼使用OpenCV中的label函數對二值化圖像dt進行連通區域標記，生成一個標記圖像lbl和連通區域數量ncc。標記圖像lbl中的每個像素點都標記了其所屬的連通區域編號。 OpenCV中提供了幾個函數可以實現連通區域標記，其中最常用的是cv2.connectedComponents和cv2.connectedComponentsWithStats函數，這些函數會將每個連通區域分配一個唯一的標籤（編號），並返回每個區域的一些統計信息，如面積、重心等。 scipy.ndimage.label和cv2.connectedComponents都是對二值化圖像中的連通區域進行標記的函數，但在實現和用法上有所不同。 scipy.ndimage.label是Scipy中的一個函數，用於對二值化圖像進行連通區域標記，它的使用方式如下： 其中，binary_image是二值化的圖像，labels是與原始圖像大小相同的數組，其中每個像素點都標記了其所屬的連通區域編號，num_features是圖像中連通區域的數量。 cv2.connectedComponents是OpenCV中的一個函數，用於對二值化圖像進行連通區域標記，它的使用方式如下： binary_image是二值化的圖像，num_labels是圖像中連通區域的數量，labels是與原始圖像大小相同的數組，其中每個像素點都標記了其所屬的連通區域編號。 兩個函數的返回值不同，scipy.ndimage.label返回的是每個像素點所屬的連通區域編號，而cv2.connectedComponents返回的是每個連通區域的編號。另外，cv2.connectedComponents還可以通過修改設置參數來指定標記的種類，例如指定為4或8連通等。 cv2.watershed 程式碼將標記圖像lbl轉換成整數型數組，並使用OpenCV中的watershed函數進行分水嶺分割，生成一個分割圖像lbl。分割圖像lbl中的像素點表示原始圖像中的每個像素點所屬的區域編號。…

最簡單-使用findContours OpenCV 中有一個名為 findContours 的函數，可以用來查找圖像中的輪廓。一旦你找到了圖像中的輪廓，你可以使用 approxPolyDP 函數來近似地計算輪廓的形狀。如果你要查找正方形，你可以在這些形狀中尋找具有 4 個頂點的多邊形，這些多邊形應該有相近的邊長和角度。如果你要檢測的正方形不是水平的或垂直的，你可能需要使用角度信息來確定它的方向。 當我們可以取得相黏物件邊緣時 – 分水嶺演算法 分水嶺演算法-偵測相連區域形狀 當形狀邊緣不清楚時-使用霍夫找線 使用霍夫變換檢測直線。因為正方形的四條邊是直線，因此可以通過檢測這四條直線來確定正方形。 具體來說，可以使用 OpenCV 中的 HoughLinesP 函數來檢測直線。該函數會返回一組檢測到的線段，這些線段可以是任意方向和長度的線段，因此我們需要對這些線段進行篩選，只保留長度、方向和相對位置都符合要求的線段。接著，我們可以將這些線段按照一定的規則組合成四條邊，從而確定正方形。 以下是一個示例代碼，演示如何使用霍夫變換檢測正方形： 基於角點的角點檢測 哈里斯角點檢測器簡介 Harris Corner Detector 是一種角點檢測算子，常用於計算機視覺算法中以提取角點並推斷圖像的特徵。它由 Chris Harris 和 Mike Stephens 於 1988 年在 Moravec 的角檢測器改進後首次提出。Harris 角點檢測器相比之前的角點檢測器，直接考慮了角點分數的差異，直接參考方向，而不是每 45 度角使用…

3種清晰度評價方法 Tenengrad梯度方法: Tenengrad梯度方法利用Sobel算子分別計算水平和垂直方向的梯度，同一場景下梯度值越高，圖像越清晰。以下是具體實現，這裡衡量的指標是經過Sobel算子處理後的圖像的平均灰度值，值越大，代表圖像越清晰。 Laplacian梯度方法: Laplacian()變換不需要區分圖像的x和y方向計算梯度，從上圖的2種kernel也可以看到其x和y方向是對稱的。 方差方法: 方差是概率論中用來考察一組離散數據和其期望（即數據的均值）之間的離散（偏離）成都的度量方法。方差較大，表示這一組數據之間的偏差就較大，組內的數據有的較大，有的較小，分佈不均衡；方差較小，表示這一組數據之間的偏差較小，組內的數據之間分佈平均，大小相近。 圖像清晰度識別之Laplacian算子 Laplacce算子是一種各向同性算子，二階微分算子，在只關心邊緣的位置而不考慮其周圍的像素灰度差值時比較合適。Laplace算子對孤立像素的響應要比對邊緣或線的響應要更強烈，因此只適用於無噪聲圖像。存在噪聲情況下，使用Laplacian算子檢測邊緣之前需要先進行低通濾波。所以，通常的分割算法都是把Laplacian算子和平滑算子結合起來生成一個新的模板。 從模板形式容易看出，如果在圖像中一個較暗的區域中出現了一個亮點，那麼用拉普拉斯運算就會使這個亮點變得更亮。因為圖像中的邊緣就是那些灰度發生跳變的區域，所以拉普拉斯銳化模板在邊緣檢測中很有用。一般增強技術對於陡峭的邊緣和緩慢變化的邊緣很難確定其邊緣線的位置。但此算子卻可用二次微分正峰和負峰之間的過零點來確定，對孤立點或端點更為敏感，因此特別適用於以突出圖像中的孤立點、孤立線或線端點為目的的場合。 在圖像處理中，圖像的清晰程度可以被表示為圖像的邊緣和顏色變化的強度。圖像的清晰度越強，邊緣和顏色變化的強度就越高。因此，通過評估圖像的清晰度，可以檢測圖像是否模糊。 使用範例和結果 import numpy as np import cv2 from os import listdir import re files = [f for f in listdir(‘./wrong2/’) if re.match(r’.*\.jpg’, f)] for i in range(len(files)): image =…