1 引言

上一篇使用傳統方法進行石頭檢測的文章,受到了大家一致的好評.
嗯嗯,應該是一致的好評!
今天我們來研究一個新的方向,如何使用傳統方法來進行圓的檢測.

在這里插入圖片描述
如上圖所示,存在多個形狀各異的物體,這里原型物體只有兩個左下角的白色藥片,
這里我們需要用影像處理的方法來檢測出兩個圓形物體,并計算圓形物體相應的面積.

2 解決方案

2.1 二值化

傳統影像分割一般采用閾值分割的方法來區分前景和背景,
這里我們采用OTSU的方法來進行二值化操作,方法如下:

image_file = './images/pillsetc.png'
# Step 1: Read image
bgr_image = cv2.imread(image_file,cv2.IMREAD_COLOR)
# Step 2: Threshold the image
gray_image = cv2.cvtColor(bgr_image, cv2.COLOR_BGR2GRAY)
threshold, thresh_image = cv2.threshold(gray_image, 0, 255, cv2.THRESH_BINARY+cv2.THRESH_OTSU)
print('Graylevel threshold computed with otsu: ', threshold)

運行后結果如下:
請添加圖片描述
上圖中,左側為原圖,右側為二值化后的結果圖.

2.2 影像去燥

觀察上圖二值化后的影像,存在一些零零散散的噪聲,這里我們來想辦法去除這些噪聲.
這里推薦使用remove_small_objects這個函式,該函式可以直接去掉零散的小連通區域,我們代碼實作如下:

from skimage import morphology
rmnoise_image = morphology.remove_small_objects(thresh_image.astype(bool), min_size=30)

上述代碼,直接將面積小于30的小連通區域和孤點噪聲直接剔除,運行結果如下:
請添加圖片描述
上圖中,左側為去燥前的效果圖,右側為去燥后的效果圖,可以看出很多零散的噪聲和小的連通區域均被濾除.

2.3 消除空洞

觀察上述去燥后的影像,注意查看下圖綠色接頭(紅色框內)的二值影像,我們發現存在空洞,這里可以采用先膨脹在腐蝕的操作(閉運算),來消除空洞,代碼如下:

fillcap_image = morphology.binary_closing(rmnoise_image, selem=morphology.disk(2))

運行效果如下:
請添加圖片描述
上圖中左側為閉運算操作前的結果圖,右側為使用閉運算后的效果圖,可以看出矩形框內的綠色轉接頭已經消除中間空洞.

2.4 填充

觀察下圖左側影像.可以看出黃色框內的橢圓物品中間為空心的,這里需要對其進行填充,填充代碼如下:

from scipy.ndimage.morphology import binary_fill_holes
clean_image = binary_fill_holes(fillcap_image)

運行效果如下:
請添加圖片描述
上圖中左側為填充前的結果圖,右側為填充后的效果圖,可以看出矩形框內的橢圓物品由空心經填充變為了實心.

2.5 查找輪廓

我們觀察上圖,可以看出所有物品均被我們處理成一個個獨立的封閉區域,這時我們可以采用opencv下的findContours函式來尋找對應區域的外輪廓.代碼如下:

contours, _ = cv2.findContours(clean_image.astype(np.uint8), cv2.RETR_EXTERNAL,cv2.CHAIN_APPROX_NONE)
h,w = clean_image.shape
obj_image = np.zeros(shape=(h,w,3),dtype=np.uint8)
color_list=[(94,17,43),(128,31,113),(121,54,180),(118,173,253),(190,251,250),(93,96,239)]
for ind, cnt in enumerate(contours):
    cv2.drawContours(obj_image, [cnt], 0,color_list[ind], -1)

運行效果如下:
請添加圖片描述
上圖中左側為輸入原圖,右側為我們尋找出的外輪廓,并對其進行輪廓填充后的結果圖.

2.6 圓的判斷

經過上述操作,我們已經可以得到每個物品的外輪廓,接著我們回到我們原來的問題,怎么來判斷那個物體是圓形呢?
首先我們來回顧一下圓的性質:

圓的面積 A r e a = π R 2 Area= \pi R^2 Area=πR2
圓的周長 P e r i m e t e r = 2 ? π ? R Perimeter=2*\pi*R Perimeter=2?π?R

接著我們定義 α \alpha α,由面積和周長組成,計算公式如下:

α = 4 ? π ? A r e a P e r i m e t e r 2 \alpha=\frac{4*\pi*Area}{Perimeter^2} α=Perimeter24?π?Area?

對于圓形物體,我們將圓的面積和周長計算公式代入,可以知道 α = 1 \alpha=1 α=1.
對于正方形物體來說,我們將正方形的面積和周長計算公式代入,
α = 4 ? π ? A r e a P e r i m e t e r 2 = 4 ? π ? a 2 ( 4 ? a ) 2 = π 4 < 1 \alpha=\frac{4*\pi*Area}{Perimeter^2}=\frac{4*\pi*a^2}{(4*a)^2}=\frac{\pi}{4}<1 α=Perimeter24?π?Area?=(4?a)24?π?a2?=4π?<1

總上,我們可以得到以下結論:
如果一個物體的輪廓所計算出的 α \alpha α值越接近于1,那么該輪廓越趨向于圓形物體輪廓.

2.7 計算面積周長

經過2.6節的簡單推導,我們已經知道如何判斷一個輪廓是否趨向于圓形,基于此我們撰寫代碼如下:

for ind, contour in enumerate(contours):
    perimeter = cv2.arcLength(contour, True)
    area = cv2.contourArea(contour)
    alpha = 4*np.pi*area/(perimeter**2)
    print('{0:>6} {1:>9,.0f} {2:>9,.2f} {3:>9,.3f}'.format(ind, area, perimeter, alpha))
    # Compute moments in order to find the centroid of objects
    moments = cv2.moments(contour)
    cx = int(moments['m10'] / moments['m00'])
    cy = int(moments['m01'] / moments['m00'])
    cv2.putText(obj_image,str(ind),(cx,cy),cv2.FONT_HERSHEY_SIMPLEX,0.5,color=(0,128,0),thickness=2)
    # Plot a red circle on the centroid of the round objects
    if alpha > round_thresh:
       cv2.circle(obj_image,(cx,cy),2,color=(0,0,255),thickness=2)

運行后的結果如下:

Object      Area Perimeter Roundness
     0       882    110.57     0.907
     1       876    110.57     0.900
     2    16,928    543.05     0.721
     3     3,026    261.12     0.558
     4     8,074    338.88     0.884
     5     4,908    264.01     0.885