Sto cercando di realizzare un programma di visione artificiale in cui rilevare rifiuti e rifiuti casuali in uno sfondo rumoroso come la spiaggia (rumoroso a causa della sabbia).In caso di difficoltà nel rilevamento di piccoli oggetti su uno sfondo rumoroso. Qualche modo per risolvere questo problema?
Immagine originale:
Algoritmo di Canny senza alcuna elaborazione delle immagini:
mi rendo conto che una certa combinazione di tecniche di elaborazione delle immagini mi aiuterà a raggiungere il mio obiettivo di ignorando lo sfondo sabbioso rumoroso e rilevare tutti i rifiuti e gli oggetti sul terreno.
ho cercato di preforme mediana sfocatura, giocare e regolare i parametri, e mi ha dato questo:
E preforme bene in termini di ignorare il fondo di sabbia, ma non riesce a rilevare una certa degli altri molti oggetti sul terreno, probabilmente perché è sfocato (non troppo sicuro).
Esiste un modo per migliorare il mio algoritmo o le tecniche di elaborazione delle immagini che ignorano il rumore di fondo sabbioso mentre consentono il rilevamento dei bordi per trovare tutti gli oggetti e fanno in modo che il programma rilevi e disegni i contorni su tutti gli oggetti.
Codice:
from pyimagesearch.transform import four_point_transform
from matplotlib import pyplot as plt
import numpy as np
import cv2
import imutils
im = cv2.imread('images/beach_trash_3.jpg')
#cv2.imshow('Original', im)
# Histogram equalization to improve contrast
###
#im = np.fliplr(im)
im = imutils.resize(im, height = 500)
imgray = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)
# Contour detection
#ret,thresh = cv2.threshold(imgray,127,255,0)
#imgray = cv2.GaussianBlur(imgray, (5, 5), 200)
imgray = cv2.medianBlur(imgray, 11)
cv2.imshow('Blurred', imgray)
'''
hist,bins = np.histogram(imgray.flatten(),256,[0,256])
plt_one = plt.figure(1)
cdf = hist.cumsum()
cdf_normalized = cdf * hist.max()/ cdf.max()
cdf_m = np.ma.masked_equal(cdf,0)
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
cdf = np.ma.filled(cdf_m,0).astype('uint8')
imgray = cdf[imgray]
cv2.imshow('Histogram Normalization', imgray)
'''
'''
imgray = cv2.adaptiveThreshold(imgray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
cv2.THRESH_BINARY,11,2)
'''
thresh = imgray
#imgray = cv2.medianBlur(imgray,5)
#imgray = cv2.Canny(imgray,10,500)
thresh = cv2.Canny(imgray,75,200)
#thresh = imgray
cv2.imshow('Canny', thresh)
contours, hierarchy = cv2.findContours(thresh.copy(),cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)
cnts = sorted(contours, key = cv2.contourArea, reverse = True)[:5]
test = im.copy()
cv2.drawContours(test, cnts, -1,(0,255,0),2)
cv2.imshow('All contours', test)
print '---------------------------------------------'
##### Code to show each contour #####
main = np.array([[]])
for c in cnts:
epsilon = 0.02*cv2.arcLength(c,True)
approx = cv2.approxPolyDP(c,epsilon,True)
test = im.copy()
cv2.drawContours(test, [approx], -1,(0,255,0),2)
#print 'Contours: ', contours
if len(approx) == 4:
print 'Found rectangle'
print 'Approx.shape: ', approx.shape
print 'Test.shape: ', test.shape
# frame_f = frame_f[y: y+h, x: x+w]
frame_f = test[approx[0,0,1]:approx[2,0,1], approx[0,0,0]:approx[2,0,0]]
print 'frame_f.shape: ', frame_f.shape
main = np.append(main, approx[None,:][None,:])
print 'main: ', main
# Uncomment in order to show all rectangles in image
#cv2.imshow('Show Ya', test)
#print 'Approx: ', approx.shape
#cv2.imshow('Show Ya', frame_f)
cv2.waitKey()
print '---------------------------------------------'
cv2.drawContours(im, cnts, -1,(0,255,0),2)
print main.shape
print main
cv2.imshow('contour-test', im)
cv2.waitKey()
Non sono sicuro che la domanda sia off-topic in quanto sembra chiedere consigli su quale algoritmo utilizzare. –
Ok, l'ho svalutato. –
prova a sfocare e canny sull'immagine HSV (canale H) anziché sull'immagine in scala di grigi. E/o usare un filtro bilaterale invece della mediana. – Micka