Блог

Я пытаюсь создать общий алгоритм подсчета объектов, используя python и OpenCV (открытый, чтобы попробовать другие методы), однако, похоже, я не могу хорошо рассчитывать различные объекты и не знаю, как приспособиться к этому

https://imgur.com/a/yAkRxWH вот несколько примеров тестовых изображений.

Это для ускорения подсчета запасов небольших объектов.

** РЕДАКТИРОВАТЬ Это мой текущий код (простой детектор больших двоичных объектов)

 # Standard imports
import cv2
import numpy as np;

# Read image
im = cv2.imread("./images/screw_simple.jpg", cv2.IMREAD_GRAYSCALE)
im = cv2.resize(im, (1440, 880))

# Setup SimpleBlobDetector parameters.
params = cv2.SimpleBlobDetector_Params()

# Change thresholds
params.minThreshold = 10 #10
params.maxThreshold = 200 #200

# Filter by Area.
params.filterByArea = True # True
params.minArea = 500 #1500

# Filter by Circularity
params.filterByCircularity = True #True
params.minCircularity = 0.1 #0.1

# Filter by Convexity
params.filterByConvexity = True #True
params.minConvexity = 0.0 #0.87

# Filter by Inertia
params.filterByInertia = True #True
params.minInertiaRatio = 0.0 #0.01

# Create a detector with the parameters
ver = (cv2.__version__).split('.')
if int(ver[0]) < 3:
    detector = cv2.SimpleBlobDetector(params)
else:
    detector = cv2.SimpleBlobDetector_create(params)

# Detect blobs.
keypoints = detector.detect(im)

# Draw detected blobs as red circles.
# cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS ensures
# the size of the circle corresponds to the size of blob
total_count = 0
for i in keypoints:
    total_count = total_count   1


im_with_keypoints = cv2.drawKeypoints(im, keypoints, np.array([]), (0, 0, 255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

# Show blobs
cv2.imshow("Keypoints", im_with_keypoints)
cv2.waitKey(0)

print(total_count)
  

Вот результаты, которые я получаю: https://imgur.com/a/id6OlIA

Как я могу улучшить этот алгоритм, чтобы получить лучшее обнаружение для общего варианта использования объектов без необходимости изменять параметры каждый раз для каждого объекта?

Вы можете попробовать использовать подход OpenCV, вы могли бы использовать SimpleBlobDetector

Очевидно, что это тестовое изображение, и полученный мной результат также не идеален, поскольку требуется установить много гиперпараметров. Гиперпараметры делают его довольно гибким, поэтому с него стоит начать.

Это то, что делает детектор (подробнее см. Здесь):

1. Пороговое значение: преобразование исходных изображений в несколько двоичных изображений путем порогового значения исходного изображения с пороговыми значениями, начинающимися с минимального порога. Эти пороговые значения увеличиваются на thresholdStep until maxThreshold . Итак, первый порог равен minThreshold , второй равен minThreshold thresholdStep , третий равен minThreshold 2 x thresholdStep и так далее.
2. Группировка: в каждом двоичном изображении соединенные белые пиксели группируются вместе. Давайте назовем эти двоичные двоичные объекты.

3. Слияние: вычисляются центры двоичных двоичных объектов в двоичных изображениях, и двоичные объекты, расположенные ближе, чем minDistBetweenBlobs объединяются.

4. Вычисление центра и радиуса: вычисляются и возвращаются центры и радиусы новых объединенных больших двоичных объектов.

Найдите код ниже изображения.

 # Standard imports
import cv2
import numpy as np

# Read image
im = cv2.imread("petri.png", cv2.IMREAD_COLOR)

# Setup SimpleBlobDetector parameters.
params = cv2.SimpleBlobDetector_Params()

# Change thresholds
params.minThreshold = 0
params.maxThreshold = 255

# Set edge gradient
params.thresholdStep = 5

# Filter by Area.
params.filterByArea = True
params.minArea = 10

# Set up the detector with default parameters.
detector = cv2.SimpleBlobDetector_create(params)

# Detect blobs.
keypoints = detector.detect(im)

# Draw detected blobs as red circles.
# cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS ensures the size of the circle corresponds to the size of blob
im_with_keypoints = cv2.drawKeypoints(im, keypoints, np.array([]), (0, 0, 255),
                                      cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)

# Show keypoints
cv2.imshow("Keypoints", im_with_keypoints)
cv2.waitKey(0)
  

Для лучшей читаемости я бы предпочел включить это во второй ответ: вы могли бы использовать подход сегментации, например, алгоритм водораздела

Любое изображение в оттенках серого можно рассматривать как топографическую поверхность, где высокая интенсивность обозначает вершины и холмы, а низкая интенсивность обозначает долины. Вы начинаете заполнять все изолированные долины (локальные минимумы) водой разного цвета (метками). По мере подъема воды, в зависимости от пиков (градиентов) поблизости, вода из разных долин, очевидно, разного цвета, начнет сливаться. Чтобы избежать этого, вы строите барьеры в местах, где сливается вода. Вы продолжаете работу по заполнению водой и строительству барьеров, пока все вершины не окажутся под водой. Затем созданные вами барьеры дают вам результат сегментации. Это «философия» водораздела.