Блог

Я работаю над проектом, который включает в себя определение объема прозрачной жидкости (или воздуха, если это окажется проще) в ограниченном пространстве. Изображения, с которыми я работаю, представляют собой фоновое изображение контейнера без жидкости и изображение переднего плана, которое в редких случаях также может быть пустым, но в большинстве случаев частично заполнено некоторым количеством жидкости.

Хотя это может показаться довольно простым плавным и пороговым подходом, он оказывается несколько более сложным. Я работаю с набором с тоннами этих пар изображений фоновых и передних изображений, и, похоже, я не могу найти подход, который был бы достаточно надежным для применения ко всем изображениям в наборе. Моя работа до сих пор включает сглаживание и пороговое значение изображения и применение закрытия для его завершения.

 bg_image = cv.imread("bg_image", 0)
fg_image = cv.imread("fg_image", 0)

blur_fg = cv.GaussianBlur(fg_image, (5, 5), sigmaX=0, sigmaY=0)
thresholded_image = cv.threshold(blur_fg, 186, 255, cv.THRESH_BINARY_INV)[1]

kernel = np.ones((4,2),np.uint8)
closing = cv.morphologyEx(thresholded_image, cv.MORPH_CLOSE, kernel)
 

Результаты различаются, вот пример, когда все идет хорошо:

В других примерах это не так хорошо:

Помимо этого, я также пытался:

1. Вычитание фоновых и передних изображений
2. Контрастное растяжение
3. Выравнивание гистограммы
4. Другие методы определения порога, такие как Otsu

Основная проблема заключается в том, что интенсивности пикселей в воздухе и жидкости иногда перекрываются (и в целом довольно низкий контраст), что приводит к неточным оценкам. Я склоняюсь к использованию границы, которая возникает между жидкостью и воздухом, но я не совсем уверен, как это сделать..

Я не хочу здесь переполняться информацией, поэтому я оставляю это на этом. Я благодарен за любые предложения и при необходимости могу предоставить дополнительную информацию.

Редактировать:

Вот несколько примеров изображений, с которыми можно поиграть.

Вот подход, при котором вы вычисляете среднее значение каждого столбца пикселей в вашем изображении, а затем вычисляете градиент средних значений:

 #!/usr/bin/env python3

import cv2
import numpy as np
import matplotlib.pyplot as plt

filename = 'fg1.png'

# Load image as greyscale and calculate means of each column of pixels
im = cv2.imread(filename, cv2.IMREAD_GRAYSCALE)
means = np.mean(im, axis=0)

# Calculate the gradient of the means
y = np.gradient(means)

# Plot the gradient of the means
xdata = np.arange(0, y.shape[0])
plt.plot(xdata, y, 'bo')           # blue circles
plt.title(f'Gradient of Column Means for "{filename}"')
plt.xlabel('x')
plt.ylabel('Gradient of Column Means')
plt.grid(True)
plt.show()
 

Если вы просто построите средние значения всех столбцов, не используя градиент, вы получите следующее: