如何计算图像中的错误？答案

【问题标题】：How to Count bugs in an image?如何计算图像中的错误？
【发布时间】：2013-01-25 22:05:11
【问题描述】：

我有一张像下面这样的图片，我想计算一下 Python 上出现的错误（颜色/灰色的连续斑点）的数量。我怎样才能做到最好？

到目前为止，我已经看过 ImageChops、SciPy 和 PIL，但我不确定我可以/应该使用什么...

我想我可以使用ndimage.gaussian_filter()，然后使用scipy.ndimage.measurements.label()，但我还不确定如何使用后者来计算高斯化图像中的蓝点……它看起来像

好的，

有了上面的图片，我现在得到了这个代码：

#! /usr/bin/python

import numpy as np
import scipy
import pylab
import pymorph
import mahotas
from PIL import Image
import PIL.ImageOps
from scipy import ndimage

image = Image.open('bugs.jpg')   
inverted_image = PIL.ImageOps.invert(image)    
inverted_image.save('in_bugs.jpg')
dna = mahotas.imread('in_bugs.jpg')
#pylab.imshow(dna)
pylab.gray()
#pylab.show()
T = mahotas.thresholding.otsu(dna)
pylab.imshow(dna > T)
#pylab.show()
dnaf = ndimage.gaussian_filter(dna, 8)
T = mahotas.thresholding.otsu(dnaf)
pylab.imshow(dnaf > T)
#pylab.show()
labeled,nr_objects = ndimage.label(dnaf > T)
print nr_objects
pylab.imshow(labeled)
pylab.jet()
pylab.show()

问题是，这会返回一个数字 5，这还不错，但我需要让它更准确，我想看到两个。我怎样才能做到这一点？在应用高斯滤镜之前模糊图像是否有帮助？

感谢您的帮助！

罗恩

【问题讨论】：

标签： python image-processing computer-vision

【解决方案1】：

您的高斯过滤已经很好了，但是您正在考虑使用比任务所需更大的半径方式。例如，让我们以半径为 15 的内核为例。这是我们得到的结果：

有两个清晰的谷（是的，显示为峰值），过滤图像的直方图显示大部分可用数据现在接近可能的最大值。

仅考虑直方图的一部分，我们可以更好地看到我们感兴趣的数据部分：较暗的点。

因此，在0.5 处设置一个简单的阈值，这就是结果（与错误所在的位置相匹配）：

根据您实现（或您使用的库实现）相关功能的方式，此阈值会有所不同。但是通过查看直方图，您将能够发现一个好的阈值。现在，如果您不想通过查看直方图来猜测这个阈值，那么您需要在高斯滤波之外对图像进行预处理。通过以良好的方式执行此步骤，您的图像变得足够简单，以至于像 Otsu 给出的方法可以自动找到您所追求的阈值。执行形态闭合，然后执行形态开，然后通过 Otsu 进行二值化，这是我们得到的结果：

形状更接近最初的形状，因为我们没有依赖线性低通滤波器，它充其量只会模糊轮廓。

编辑：

由于问题现在包含一些代码，我觉得有必要解释为什么使用 Otsu 作为代码是错误的。 Otsu 给出的阈值方法实际上期望数据是双峰的，但正如上面的直方图所示，这里的情况并非如此。 Otsu 将提供一个太接近右侧巨大峰值的阈值，而 0.5 的好点则离那里很远。要复制此答案中显示的第一个结果，这里是一些基本代码：

import sys
import numpy
from PIL import Image
from scipy.ndimage import gaussian_filter, label

img = Image.open(sys.argv[1]).convert('L')
im = numpy.array(img)

im_g = gaussian_filter(im, 3)
im_norm = (im_g - im_g.min()) / (float(im_g.max()) - im_g.min())
im_norm[im_norm < 0.5] = 0
im_norm[im_norm >= 0.5] = 1

result = 255 - (im_norm * 255).astype(numpy.uint8)
print u"Objects: %d" % label(result)[1]

Image.fromarray(result).save(sys.argv[2])

请注意，此代码使用 sigma = 3（最初使用 7.5）作为高斯内核，scipy 在内部构建了一个半径比它大 4 倍的窗口。对于这个特定的图像，sigma 的很大范围也可以正常工作，从 2 到 10 应该会给出相同的结果——检测到 2 个对象。

【讨论】：

伟大的 MMGP，谢谢你，现在你是如何获得内核半径的？我在 scipy.ndimage 中找不到匹配函数。你推荐使用哪个库？谢谢！
@cerr 在这个具体示例中，我使用了 Mathematica，它允许指定半径 r，然后假定为 sigma = r / 2（但我也可以指定 sigma）。 scipy 中的 ready 函数只允许您定义 sigma 并且在内部它将构造一个半径为 sigma 4 倍的掩码。因此，要获得半径为 15 的高斯，您需要指定 sigma = 3.5（但我所做的实际上使用了 sigma = 7.5）。对于您的示例，这并不太重要，因为有许多单独的掩码会产生同样好的结果。
@cerr 查看更新答案，我现在添加了一些基本代码以使其更清晰。

【解决方案2】：

这是一项计算机视觉任务，您可以使用流行的OpenCV 来解决。

您可能需要考虑使用一些形态学操作（例如opening）来处理图像以去除噪点。也许你可以计算面积超过某个阈值的连续斑点的数量。

需要研究的一些资源：

【讨论】：