今天的博客文章是我?guī)啄昵白龅囊粋€(gè)關(guān)于尋找圖像中最亮點(diǎn)的教程的后續(xù)。

我之前的教程假設(shè)在圖像中只有一個(gè)亮點(diǎn)你想要檢測。。.

但如果有多個(gè)亮點(diǎn)呢？

如果您想在圖像中檢測多個(gè)亮點(diǎn)，代碼會(huì)稍微復(fù)雜一點(diǎn)，但不會(huì)太復(fù)雜。不過不用擔(dān)心：我將詳細(xì)解釋每一個(gè)步驟。

看看下面的圖片：

在這幅圖中，我們有五個(gè)燈泡。

我們的目標(biāo)是檢測圖像中的這五個(gè)燈泡，并對它們進(jìn)行唯一的標(biāo)記。

首先，打開一個(gè)新文件并將其命名為detect_bright_spot .py。然后，插入以下代碼：

# import the necessary packagesfrom imutils import contoursfrom skimage import measureimport numpy as npimport argparseimport imutilsimport cv2# construct the argument parse and parse the argumentsap = argparse.ArgumentParser（）ap.add_argument（“-i”， “--image”， required=True， help=“path to the image file”）args = vars（ap.parse_args（））

導(dǎo)入一些必要的包和命令行參數(shù)。

要開始檢測圖像中最亮的區(qū)域，我們首先需要從磁盤加載我們的圖像，然后將其轉(zhuǎn)換為灰度圖并進(jìn)行平滑濾波，以減少高頻噪聲：

# load the image， convert it to grayscale， and blur itimage = cv2.imread（args［“image”］）gray = cv2.cvtColor（image， cv2.COLOR_BGR2GRAY）blurred = cv2.GaussianBlur（gray， （11， 11）， 0）

這些操作的輸出如下：

為了顯示模糊圖像中最亮的區(qū)域，我們需要應(yīng)用閾值化：

# threshold the image to reveal light regions in the# blurred imagethresh = cv2.threshold（blurred， 200， 255， cv2.THRESH_BINARY）［1］

操作取任意像素值p 》= 200，并將其設(shè)置為255（白色）。像素值《 200被設(shè)置為0（黑色）。

閾值化后，我們得到如下圖像：

注意圖像的明亮區(qū)域現(xiàn)在都是白色的，而其余的圖像被設(shè)置為黑色。

然而，在這幅圖像中有一點(diǎn)噪聲（即，小斑點(diǎn)），所以讓我們通過執(zhí)行一系列的腐蝕和膨脹操作來清除它：

# perform a series of erosions and dilations to remove# any small blobs of noise from the thresholded imagethresh = cv2.erode（thresh， None， iterations=2）thresh = cv2.dilate（thresh， None， iterations=4）

在應(yīng)用這些操作之后，你可以看到我們的thresh圖像變得更加“干凈”，但是仍然有一些我們想要移除的斑點(diǎn)。

本項(xiàng)目的關(guān)鍵步驟是對上圖中的每個(gè)區(qū)域進(jìn)行標(biāo)記，然而，即使在應(yīng)用了腐蝕和膨脹后，我們?nèi)匀幌胍^濾掉剩余的小塊兒區(qū)域。

一個(gè)很好的方法是執(zhí)行連接組件分析：

# perform a connected component analysis on the thresholded# image， then initialize a mask to store only the “l(fā)arge”# componentslabels = measure.label（thresh， neighbors=8， background=0）mask = np.zeros（thresh.shape， dtype=“uint8”）# loop over the unique componentsfor label in np.unique（labels）： # if this is the background label， ignore it if label == 0： continue # otherwise， construct the label mask and count the # number of pixels labelMask = np.zeros（thresh.shape， dtype=“uint8”） labelMask［labels == label］ = 255 numPixels = cv2.countNonZero（labelMask） # if the number of pixels in the component is sufficiently # large， then add it to our mask of “l(fā)arge blobs” if numPixels 》 300： mask = cv2.add（mask， labelMask）

第4行使用scikit-image庫執(zhí)行實(shí)際的連接組件分析。measure.lable返回的label和我們的閾值圖像有相同的大小，唯一的區(qū)別就是label存儲(chǔ)的為閾值圖像每一斑點(diǎn)對應(yīng)的正整數(shù)。

然后我們在第5行初始化一個(gè)掩膜來存儲(chǔ)大的斑點(diǎn)。

第7行我們開始循環(huán)遍歷每個(gè)label中的正整數(shù)標(biāo)簽，如果標(biāo)簽為零，則表示我們正在檢測背景并可以安全的忽略它（9，10行）。

否則，我們?yōu)楫?dāng)前區(qū)域構(gòu)建一個(gè)掩碼。

下面我提供了一個(gè)GIF動(dòng)畫，它可視化地構(gòu)建了每個(gè)標(biāo)簽的labelMask。使用這個(gè)動(dòng)畫來幫助你了解如何訪問和顯示每個(gè)單獨(dú)的組件：

然后第15行對labelMask中的非零像素進(jìn)行計(jì)數(shù)。如果numPixels超過了一個(gè)預(yù)先定義的閾值（在本例中，總數(shù)為300像素），那么我們認(rèn)為這個(gè)斑點(diǎn)“足夠大”，并將其添加到掩膜中。

輸出掩模如下圖：

注意，所有小的斑點(diǎn)都被過濾掉了，只有大的斑點(diǎn)被保留了下來。

最后一步是在我們的圖像上繪制標(biāo)記的斑點(diǎn)：

# find the contours in the mask， then sort them from left to# rightcnts = cv2.findContours（mask.copy（）， cv2.RETR_EXTERNAL， cv2.CHAIN_APPROX_SIMPLE）cnts = imutils.grab_contours（cnts）cnts = contours.sort_contours（cnts）［0］# loop over the contoursfor （i， c） in enumerate（cnts）： # draw the bright spot on the image （x， y， w， h） = cv2.boundingRect（c） （（cX， cY）， radius） = cv2.minEnclosingCircle（c） cv2.circle（image， （int（cX）， int（cY））， int（radius）， （0， 0， 255）， 3） cv2.putText（image， “#{}”.format（i + 1）， （x， y - 15）， cv2.FONT_HERSHEY_SIMPLEX， 0.45， （0， 0， 255）， 2）# show the output imagecv2.imshow（“Image”， image）cv2.waitKey（0）

首先，我們需要檢測掩模圖像中的輪廓，然后按從左到右排序（3-7行）。

一旦我們的輪廓已經(jīng)排序，我們可以對它們進(jìn)行單獨(dú)的循環(huán)處理（第8行）。

對于這些輪廓線，我們將計(jì)算出代表明亮區(qū)域的最小包圍圓（第12行）。

然后，我們唯一地標(biāo)記該區(qū)域并在圖像上繪制它（第12-15行）。

最后，第17行和第18行顯示了輸出結(jié)果。

運(yùn)行程序，你應(yīng)該會(huì)看到以下輸出圖像：

請注意，每個(gè)燈泡都被獨(dú)特地標(biāo)上了圓圈，圓圈圍繞著每個(gè)單獨(dú)的明亮區(qū)域。

責(zé)任編輯：lq