在图像中寻找空白区域

Question

在图像中寻找空白区域

pythonlanguage-agnosticimage-processingnumpypython-imaging-library

11

这个问题有点与语言无关，但我选择使用的工具是numpy数组。

我的操作是通过PIL获取两幅图像的差异：

img = ImageChops.difference(img1, img2)

我想要找到包含两张图片之间变化的矩形区域。当然，可以使用内置的.getbbox()方法，但如果有两个具有变化的区域，它将返回从一个区域到另一个区域的框，而如果每个角落只有1个像素的变化，则会返回整个图像。

例如，考虑以下情况，其中o是非零像素：

______________________
|o            ooo    |
|      oooo   ooo    |
|      o             |
|      o  o          |
|                    |
|     oo       o     |
|    o  o     ooo    |
|     oo     ooooo   |
|             ooo    |
|              o     |
|____________________|

我想获取包含每个非零区域边界框的4x4元组。对于边缘情况，

oooo
o
o  o

结构，我并不担心它是如何处理的 - 无论是分别获取两个部分还是一起获取，因为倒L形状的边界将完全重叠在单个像素的边界上。

我以前从未在图像处理方面做过这样高级的事情，所以我想在真正编写任何代码之前先获得一些输入（如果我已经使用的模块中有现成的方法，我欢迎它们！）。

我的伪代码版本大概是这样的：

for line in image:
   started = False
   for pixel in line:
      if pixel and not started:
         started = True
         save start coords
      elif started and not pixel:
         started = False
         save end coords (x - 1 of course)

这段代码应该会给我一列坐标，但我需要确定这些区域是否连续。我可以用图形搜索（我们在算法课上做了很多DFS和BFS）实现吗？当然，我猜我也可以用之前的循环来实现这个目标？

我不会处理“大”图像 - 它们是从网络摄像头中获取的，我目前最好的摄像头只有640x480的分辨率。最多我可能会处理720p或1080p，但那已经远远超出了我的实际需求。

因此，我的问题是：我走在正确的道路上吗，还是步履蹒跚？更重要的是，有没有内置函数可以避免我重新发明轮子？最后，有没有一些好的资源（教程、论文等）能够帮助我解决这个问题？

谢谢!

- Wayne Werner

3个回答

1

您可以在图像中寻找连接的组件，然后确定这些组件的边界框。

- midtiby

我有点困惑 - 这跟我说的我正在做的有什么不同吗？ - Wayne Werner

1

一个聚类包（如此）应该能够完成大部分工作（找到相连的像素）。然后，为聚类找到边界框就很容易了。

- Jochen Ritzel

聚类会如何帮助（尤其是这个软件包）？从我阅读的文档字符串中了解到，它只能找到距离为X的数据，并且似乎没有存储任何X-Y数据。我有什么遗漏吗？ - Wayne Werner

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

- Joe Kington · Accepted Answer

我相信 scipy的ndimage模块包含了你需要的所有内容...

这里是一个快速示例：

import numpy as np
import scipy as sp
import scipy.ndimage.morphology

# The array you gave above
data = np.array( 
        [
           [1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0], 
           [0, 0, 0, 0, 0, 0, 1, 1, 1, 1, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0], 
           [0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
           [0, 0, 0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
           [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0], 
           [0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0], 
           [0, 0, 0, 0, 1, 0, 0, 1, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0], 
           [0, 0, 0, 0, 0, 1, 1, 0, 0, 0, 0, 0, 1, 1, 1, 1, 1, 0, 0, 0], 
           [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 1, 1, 0, 0, 0, 0], 
           [0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 1, 0, 0, 0, 0, 0], 
        ])


# Fill holes to make sure we get nice clusters
filled = sp.ndimage.morphology.binary_fill_holes(data)

# Now seperate each group of contigous ones into a distinct value
# This will be an array of values from 1 - num_objects, with zeros
# outside of any contigous object
objects, num_objects = sp.ndimage.label(filled)

# Now return a list of slices around each object
#  (This is effectively the tuple that you wanted)
object_slices =  sp.ndimage.find_objects(objects)

# Just to illustrate using the object_slices
for obj_slice in object_slices:
    print data[obj_slice]

这将输出：

[[1]]
[[1 1 1]
 [1 1 1]]
[[1 1 1 1]
 [1 0 0 0]
 [1 0 0 1]]
[[1]]
[[0 1 1 0]
 [1 0 0 1]
 [0 1 1 0]]
[[0 0 1 0 0]
 [0 1 1 1 0]
 [1 1 1 1 1]
 [0 1 1 1 0]
 [0 0 1 0 0]]

请注意，“object_slices”基本上是您最初要求的内容，如果您需要实际的索引。

编辑：只想指出，尽管它似乎正确处理了边缘情况

[[1 1 1 1]
 [1 0 0 0]
 [1 0 0 1]]

实际上并不是这样的（因此有了额外的单独[[1]]）。如果您打印“objects”数组并查看对象3和4，就会发现这一点。

[[1 0 0 0 0 0 0 0 0 0 0 0 0 2 2 2 0 0 0 0]
 [0 0 0 0 0 0 3 3 3 3 0 0 0 2 2 2 0 0 0 0]
 [0 0 0 0 0 0 3 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 3 0 0 4 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0]
 [0 0 0 0 0 5 5 0 0 0 0 0 0 0 6 0 0 0 0 0]
 [0 0 0 0 5 5 5 5 0 0 0 0 0 6 6 6 0 0 0 0]
 [0 0 0 0 0 5 5 0 0 0 0 0 6 6 6 6 6 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 6 6 6 0 0 0 0]
 [0 0 0 0 0 0 0 0 0 0 0 0 0 0 6 0 0 0 0 0]]

希望这可以帮助你！

[1]