我有一些图片（它们是从相机中获取的）。在二值化之后，它们看起来像这样（红色是255，蓝色是0）：
如何最好地检测这些图片上的网格节点（交叉点）？ 注意：网格从单元格到单元格的失真是不均匀的。
更新：
一些不同网格及其二值化前的变形示例：
使用OpenCV（或其他工具）检测网格节点
11
- Max Tkachenko
16
1你尝试过使用hough变换来检测线条吗？（教程1，教程2） - Tobias Hermann
1你能发布非二进制图像吗？ - Tobias Hermann
1好的，对我来说，这些看起来比二值化版本更弯曲。这不是一项容易的任务，因为它们似乎以不同的颜色、分辨率和样式（实线、虚线）出现。甚至扭曲也不仅仅是透视变换，因为纸张弯曲或折叠。你尝试过用canny跟随这些线吗？ - Tobias Hermann
1如果我理解正确的话，您目前在二值化图像上使用哈里斯角检测器，这会给您带来次优的结果。也许使用更好的二值化图像可以得到更好的结果。 - Tobias Hermann
1我对此一无所知，但是那个链接中提到的方向梯度直方图怎么样？ - CinchBlue
显示剩余11条评论
3个回答
2
在这种情况下，我首先尝试找到最佳的起点。因此，首先对您的图像进行二值化处理（但我也可以将其骨架化，然后再进行阈值处理。但是这样会不可恢复地丢失一些数据）：
然后，我尝试了很多工具来突出显示大部分突出的特征。最后，通过使用Gimp的G'MIC插件，我发现了这个：
基于上述内容，我准备了一个通用模式，看起来像这样：
然后我只是得到了这个图像的一部分：
为了帮助确定角度，我制作了局部傅里叶频率图-这样你就可以获得你的模式本地角度：
然后，您可以使用现代GPU快速执行简单的厚操作-像这样获取差异（错过的情况）：
当有命中时，差异是最小的；我在谈论局部最大值时所考虑的更多或更少是指如何处理结果差异。由于尺度因素的敏感性，将模式圆形外的差异与内部权重相同并不明智。因此，在使用的算法中应更加权重带有十字架的内部。尽管如此，图案与图像的差异看起来像这样：
正如您所看到的，可以区分命中和未命中。关键是设置适当的容差并使用傅里叶频率来获得角度（对于阈值图像，傅里叶通常遵循分析的整体方向）。
上述方法以后可以通过Harris检测进行补充，或者可以使用上述模式修改Harris检测以区分两个至四个紧密放置的角落。不幸的是，在这种情况下，所有技术都依赖于比例，并且应该正确调整它们。
还有其他解决您问题的方法，例如通过首先进行分水岭处理，然后获取区域，然后忽略前景，然后简化曲线，然后检查它们的角是否形成连续等距模式。但是，根据我的经验，它不会产生正确的结果。
还有一件事-libgmic是G'MIC库，您可以通过其直接或通过绑定使用上面显示的转换。或者获取算法并在应用程序中重写它们。
然后，我尝试了很多工具来突出显示大部分突出的特征。最后，通过使用Gimp的G'MIC插件，我发现了这个：
基于上述内容，我准备了一个通用模式，看起来像这样：
然后我只是得到了这个图像的一部分：
为了帮助确定角度，我制作了局部傅里叶频率图-这样你就可以获得你的模式本地角度：
然后，您可以使用现代GPU快速执行简单的厚操作-像这样获取差异（错过的情况）：
当有命中时，差异是最小的；我在谈论局部最大值时所考虑的更多或更少是指如何处理结果差异。由于尺度因素的敏感性，将模式圆形外的差异与内部权重相同并不明智。因此，在使用的算法中应更加权重带有十字架的内部。尽管如此，图案与图像的差异看起来像这样：
正如您所看到的，可以区分命中和未命中。关键是设置适当的容差并使用傅里叶频率来获得角度（对于阈值图像，傅里叶通常遵循分析的整体方向）。
上述方法以后可以通过Harris检测进行补充，或者可以使用上述模式修改Harris检测以区分两个至四个紧密放置的角落。不幸的是，在这种情况下，所有技术都依赖于比例，并且应该正确调整它们。
还有其他解决您问题的方法，例如通过首先进行分水岭处理，然后获取区域，然后忽略前景，然后简化曲线，然后检查它们的角是否形成连续等距模式。但是，根据我的经验，它不会产生正确的结果。
还有一件事-libgmic是G'MIC库，您可以通过其直接或通过绑定使用上面显示的转换。或者获取算法并在应用程序中重写它们。- Hibryda
3
谢谢您提供如此详细的答案。使用本地傅里叶是个好主意。但如果图案是一个十字架，而且十字线之间的角度不是90度，而是40度呢？ - Max Tkachenko
1这实际上使问题变得更加复杂。如果偏离90度的角度很小，那么可以通过容差来缓解问题。 - Hibryda
错过了编辑上面的时间 - 所以继续在这里...
对于更大的差异，可以应用多种方法。这完全取决于您想深入研究此问题的程度。实际上，最好的方法是应用带有步进角度的 Gabor 滤波器，将其转换为小线段（在限制噪声之前调整适当的容差），然后检查交点。
虽然最好，但这种方法需要一些自学算法和使用 OCR 优化方法。 - Hibryda
1
我认为这可能是一个潜在的答案（实际上在评论中提到）：http://opencv.itseez.com/2.4/modules/imgproc/doc/feature_detection.html?highlight=hough#houghlinesp
还可以使用skimage工具进行特征检测的其他方法。
但实际上，我认为，与其使用霍夫变换导致巨大膨胀和缺乏精度（直线），我建议尝试哈里斯角检测 - http://docs.opencv.org/2.4/doc/tutorials/features2d/trackingmotion/harris_detector/harris_detector.html。
这可以进一步调整（交叉角，因此局部最大值应取决于交叉分布），以适应您的特定问题。然后可以基于得到的点进行一些曲线近似。
但实际上，我认为，与其使用霍夫变换导致巨大膨胀和缺乏精度（直线），我建议尝试哈里斯角检测 - http://docs.opencv.org/2.4/doc/tutorials/features2d/trackingmotion/harris_detector/harris_detector.html。
这可以进一步调整（交叉角，因此局部最大值应取决于交叉分布），以适应您的特定问题。然后可以基于得到的点进行一些曲线近似。
- Hibryda
2
谢谢！你能详细说说这个时刻：“本地最大值应该取决于交叉分布”吗？ - Max Tkachenko
1当您操作位图时，可以通过分析像素及其周围的情况来获得局部最大值。就像在FAST中一样-请参阅论文：http://lanl.arxiv.org/pdf/0810.2434。您的目标应该是找到一个旋转无关的十字形分布。这可以通过计算或迭代来完成。由于GPU函数现在很快，迭代方法已足够。但是，您必须考虑到区域大小应根据模式的比例进行调整。我将在下一条评论中尝试提供示例。 - Hibryda
0
也许你可以计算Hough Lines并确定交点。可以在这里找到OpenCV文档here。
- L4CK4
3
不幸的是，由于网格失真，它会带来很多错误的噪音线。 - Max Tkachenko
没有帮助 :( - Max Tkachenko
网页内容由stack overflow 提供, 点击上面的可以查看英文原文，
原文链接
原文链接