检测此图像中的绿线并计算它们的长度

Question

示例图片

当更多物体从背景中介入时，图像可能会更加嘈杂。现在我正在使用各种技术，使用 RGB 颜色空间来检测线条，但是当由于背景中的障碍物而导致颜色发生变化时，它会失败。我正在使用opencv和python。 我读过 HSV 更适合颜色检测​​和使用，但还没有成功。 我无法找到此问题的通用解决方案。在这个方向上的任何提示或线索都会有很大帮助。

Answer 1

仍在进行中

首先，RGB 图像由 3 个灰度图像组成。由于您需要绿色，您将只处理一个通道。绿色的那个。为此，您可以拆分图像，您可以使用b,g,r = cv2.split('Your Image')。如果您显示绿色通道，您将获得类似的输出：

之后，您应该使用所需的方式对图像进行阈值处理。在这种情况下，我更喜欢Otsu's thresholding。阈值化后的输出为：

很明显，经过阈值处理的图像非常嘈杂。所以执行erosion 会稍微降低噪音。降噪后的图像将类似于以下内容：

我尝试使用closing 代替dilation，但closing 保留了一些不需要的噪音。所以我分别执行erosion，然后是dilation。 dilation 之后的输出是：

注意： 你可以在形态学上做自己的事情。您可以使用opening 而不是我所做的。结果是主观的 一个人对另一个人。

现在您可以尝试以下两种方法之一：

1.斑点检测。 2。霍夫线变换。

待办事项

试试这两种方法，然后选择最好的。

Answer 2

您应该使用您知道您正在尝试通过使用线霍夫变换来检测线的事实。 http://docs.opencv.org/2.4/doc/tutorials/imgproc/imgtrans/hough_lines/hough_lines.html

• 当障碍物也看起来像一条线时，请使用您大致知道绿线方向的事实。
• 如果您不知道线的方向，请使用具有相同方向的多条绿色线且只有一条线是障碍物的事实

这是我的意思的代码：

import cv2
import numpy as np

# Params
minLineCount = 300 # min number of point alogn line with the a specif orientation
minArea = 100

# Read img
img = cv2.imread('i.png')
greenChannel = img[:,:,1]

# Do noise reduction
iFilter = cv2.bilateralFilter(greenChannel,5,5,5)

# Threshold data
#ret,iThresh = cv2.threshold(iFilter,0,255,cv2.THRESH_BINARY+cv2.THRESH_OTSU)
iThresh = (greenChannel > 4).astype(np.uint8)*255

# Remove small areas
se1 = cv2.getStructuringElement(cv2.MORPH_RECT, (5,5))
iThreshRemove = cv2.morphologyEx(iThresh, cv2.MORPH_OPEN, se1)

# Find edges
iEdge = cv2.Canny(iThreshRemove,50,100)

# Hough line transform
lines = cv2.HoughLines(iEdge, 1, 3.14/180,75)

# Find the theta with the most lines
thetaCounter = dict()
for line in lines:
    theta = line[0, 1]
    if theta in thetaCounter:
        thetaCounter[theta] += 1
    else:
        thetaCounter[theta] = 1

maxThetaCount = 0
maxTheta = 0
for theta in thetaCounter:
    if thetaCounter[theta] > maxThetaCount:
        maxThetaCount = thetaCounter[theta]
        maxTheta = theta

# Find the rhos that corresponds to max theta
rhoValues = []
for line in lines:
    rho = line[0, 0]
    theta = line[0, 1]
    if theta == maxTheta:
        rhoValues.append(rho)

# Go over all the lines with the specific orientation and count the number of pixels on that line
# if the number is bigger than minLineCount draw the pixels in finaImage
lineImage = np.zeros_like(iThresh, np.uint8)
for rho in range(min(rhoValues), max(rhoValues), 1):
    a = np.cos(maxTheta)
    b = np.sin(maxTheta)
    x0 = round(a*rho)
    y0 = round(b*rho)
    lineCount = 0
    pixelList = []
    for jump in range(-1000, 1000, 1):
        x1 = int(x0 + jump * (-b))
        y1 = int(y0 + jump * (a))
        if x1 < 0 or y1 < 0 or x1 >= lineImage.shape[1] or y1 >= lineImage.shape[0]:
            continue
        if iThreshRemove[y1, x1] == int(255):
            pixelList.append((y1, x1))
            lineCount += 1

    if lineCount > minLineCount:
        for y,x in pixelList:
            lineImage[y, x] = int(255)

# Remove small areas

## Opencv 2.4
im2, contours, hierarchy = cv2.findContours(lineImage,cv2.RETR_CCOMP,cv2.CHAIN_APPROX_NONE )

finalImage = np.zeros_like(lineImage)
finalShapes = []
for contour in contours:
    if contour.size > minArea:
        finalShapes.append(contour)

cv2.fillPoly(finalImage, finalShapes, 255)
## Opencv 3.0
# output = cv2.connectedComponentsWithStats(lineImage, 8, cv2.CV_32S)
#
# finalImage = np.zeros_like(output[1])
# finalImage = output[1]
# stat = output[2]
# for label in range(output[0]):
#     if label == 0:
#         continue
#     cc = stat[label,:]
#     if cc[cv2.CC_STAT_AREA] < minArea:
#         finalImage[finalImage == label] = 0
#     else:
#         finalImage[finalImage == label] = 255

# Show image
#cv2.imwrite('finalImage2.jpg',finalImage)
cv2.imshow('a', finalImage.astype(np.uint8))
cv2.waitKey(0)

以及图像的结果：