有效检测大图像中的形状答案

【问题标题】：Efficiently detecting shapes in a large image有效检测大图像中的形状
【发布时间】：2014-03-25 18:21:09
【问题描述】：

我有一个巨大的电路图，其中包含二极管、电阻器、晶体管等符号。

我必须从此图像中选择符号（基于输入模板）并使用矩形边界框突出显示这些符号。符号可以旋转（和缩放） - 但现在让我们不考虑缩放/旋转。同一列/行中可能有多个符号和行。

图片尺寸为 5600x3600。它是灰度的，转换为黑白，然后整个事物可以被称为 0 和 1，其中 1 == 黑色像素。我认为白色像素可以被认为是“不关心”

什么是正确且更快的方法？

我有一个从较大图像中提取的模板图像 - 例如“diode.png”。假设至少有一个符号在没有缩放或旋转的情况下完全匹配。

蛮力模板/矩阵比较方法对我有用 - 但它非常慢.. 需要 45 分钟（在最新的 MBP-2.4ghz-Intel i5 / 8GB 上）检测一个完全匹配。我尽可能使用 numpy - 但可能我没有使用某些 numpy 迭代器。

不幸的是，我无法在 python 之外执行此操作，并且无法将图像尺寸减小到 5600x3600 以下而不使符号无法识别。

解决问题的另一种方法是：从一个大矩阵中找到所有匹配的子矩阵。

实现上述目标的正确和执行方法是什么？我不太了解信号处理-但这在这里有帮助吗？此处的模板大小（子矩阵）最小为 50x50

编辑：OpenCV 不适合我 - skimage 可用。但是，请不要让这阻止您的输入。

我无法分享实际的图表，但这里有一个示例。例如二极管在这里被标记为 D1 和 D2。完整的图表与此一样清晰，但在 5600 x 3600 的画布上

我还想添加 skimage 中的 match_template 与从较大图像中提取的较小图块完美配合

【问题讨论】：

【解决方案1】：

您要查找的术语是“template matching”。

通常假设由于图像噪声和其他因素，模板不会完全匹配。相反，您会寻找具有最小错误分数的图像区域。

您可以在 scikit-image 中找到使用 normalized cross-correlation 的实现：

如果您添加现有代码以及示例图像和模板会有所帮助。

【讨论】：

谢谢，我之前用过这个——由于某种原因，它不适用于完整（大）图像。但它非常适合从大图像中提取的较小样本。我从未想过可能导致此问题的图像噪声因素： ij = np.unravel_index(np.argmax(result), result.shape) 。我将再次查看“匹配结果”以查看其中是否隐藏了某些内容。感谢提示
不看代码就很难给出具体的建议。如果您发布您当前的方法，您将获得更好的答案：stackoverflow.com/help/mcve
大图像需要大量时间来进行模板匹配（以及旋转）。缩放也是一个参数——我为此使用了图像金字塔。但是为了处理大量噪声并减少搜索空间，我使用了绝对差之和来为给定模板找到图像的最佳比例（结合我自己的一些参数来确定比例）。然后使用与概率匹配的模板来选择最佳结果。总体而言，它以零错误检测正确检测了 95% 的图像。时间没有 40 分钟那么大 - 但 1-2 分钟（仍然很大）。

【解决方案2】：

你试过Sum of Absolute Difference 吗？这是进行模板匹配的最简单方法之一，但它也是一种蛮力方法。

我将它应用于文档图像（A4，300 dpi，2500 * 3500 像素）中的徽标定位。它很慢，但不需要 45 分钟！为了加快速度，您可以分割图像（选择重叠区域以免错过您的符号）。

【讨论】：

【解决方案3】：

我建议你使用opencv，它也适用于python。在那里您需要使用基本功能：

findContours

然后遍历每个轮廓

对于每个（轮廓）

获取由变量'contour'指向的一系列轮廓点

approxPoly

Here，你发现了一个有趣的例子

【讨论】：