如何定位图像中亮点的中心？

Question

这是我将要处理的图像种类的示例：

_{(来源：csverma at pages.cs.wisc.edu)}

每个球上都有一个亮点。我想找到亮点中心的坐标。我应该如何在Python或Matlab中实现呢？我目前遇到的问题是，亮点上的多个点具有相同（或大致相同）的白色颜色，但我需要找到这些白点“簇”的中心。

此外，对于最左边和最右边的图像，我如何找到整个圆形对象的中心？

- Physicist

---

使用2D圆形掩模（例如高斯）进行卷积，并找到给出最大相关性的掩模坐标？ - Luis Mendo

为什么不直接取图像亮度的95%分位数中的像素的平均坐标呢？当存在多个亮点时，这种方法可能行不通，但对于单个亮点来说，这应该是最简单的解决方案。 - knedlsepp

您还可以将其转换为灰度图像，阈值化并查找阈值结果的平均坐标。无需过滤。 - rayryeng

@bla - 哦，是的。优美的代码。 - rayryeng

虽然我认为这个问题似乎是合理的，因为你并没有请求工具或离线资源，但也没有任何代码示例表明存在问题。不太确定该怎么办... - Timothy Groote

Answer 1

您可以简单地对图像进行阈值处理，并找到剩余部分的平均坐标。这种情况处理了具有相同强度的多个值的情况。当您对图像进行阈值处理时，显然会有多个明亮的白色像素，因此如果要将它们全部合并在一起，可以找到质心或平均坐标来确定所有这些白色明亮像素的中心。在这种特殊情况下，没有必要进行过滤。以下是MATLAB中的示例代码。

我直接读入该图像，转换为灰度并清除了围绕每个图像的白色边框。接下来，我将图像分成5个块，对其进行阈值处理，找到剩余部分的平均坐标，并在每个中心位置放置一个点：

im = imread('http://pages.cs.wisc.edu/~csverma/CS766_09/Stereo/callight.jpg');
im = rgb2gray(im);
im = imclearborder(im);

%// Split up images and place into individual cells
split_point = floor(size(im,2) / 5);
images = mat2cell(im, size(im,1), split_point*ones(5,1));

%// Show image to place dots
imshow(im);
hold on;

%// For each image...
for idx = 1 : 5
    %// Get image
    img = images{idx}; 

    %// Threshold
    thresh = img > 200;

    %// Find coordinates of thresholded image
    [y,x] = find(thresh);

    %// Find average
    xmean = mean(x);
    ymean = mean(y);

    %// Place dot at centre
    %// Make sure you offset by the right number of columns
    plot(xmean + (idx-1)*split_point, ymean, 'r.', 'MarkerSize', 18);
end        

我得到了这个：

---

如果您需要Python解决方案，我建议使用scikit-image与numpy和matplotlib进行绘图。以下是上述代码的Python转录。请注意，我手动将链接引用的图像保存在磁盘上并命名为balls.jpg：

import skimage.io
import skimage.segmentation
import numpy as np
import matplotlib.pyplot as plt

# Read in the image
# Note - intensities are floating point from [0,1]
im = skimage.io.imread('balls.jpg', True)

# Threshold the image first then clear the border
im_clear = skimage.segmentation.clear_border(im > (200.0/255.0))

# Determine where to split up the image
split_point = int(im.shape[1]/5)

# Show image in figure and hold to place dots in
plt.figure()
plt.imshow(np.dstack([im,im,im]))

# For each image...
for idx in range(5):

  # Extract sub image
  img = im_clear[:,idx*split_point:(idx+1)*split_point]

  # Find coordinates of thresholded image
  y,x = np.nonzero(img)

  # Find average
  xmean = x.mean()
  ymean = y.mean()

  # Plot on figure
  plt.plot(xmean + idx*split_point, ymean, 'r.', markersize=14)

# Show image and make sure axis is removed
plt.axis('off')
plt.show()

我们得到这个数字：

小提示

我完全可以跳过上面的代码，直接使用regionprops(MATLAB链接, scikit-image链接)。你可以简单地对图像进行阈值处理，然后应用regionprops来查找每个白色像素簇的质心，但我想展示一种更手动的方式，这样你就能欣赏算法并理解它。

---

希望这有所帮助！

- rayryeng

---

好的完整答案。由于找到正确的阈值（这里是200/255）可能有些棘手，我建议应用非线性凹函数（例如我在我的答案中解释的exp，或_gamma校正_操作）非常重要，因为它使最亮点更加强烈。这使得检测更加稳健。此外，在任何情况下以自动方式找到正确的阈值都可以使用直方图来完成；例如通过找到所有像素中1％（按百分位计算）最亮的像素的值。 - Sohail Si

@SohailSi，类似于Otsu的算法可以像你建议的那样评估直方图。应用非线性滤波也是一个好主意，但我会把这个留给OP。我认为我已经为这篇文章做足了功夫！ - rayryeng

Answer 2

使用二维卷积，然后找到最高强度的点。在应用2D卷积之前，可以对强度值应用凹非线性函数（例如exp），以加强图像亮点相对于暗部的对比度。类似于conv2(exp(img),ker)

- Sohail Si