如何对非圆形物体进行斑点检测？ （无阈值/二值化）

Question

我正在处理星系图像，我想使用斑点检测来识别这些图像中心的星系，然后掩盖斑点之外的像素。我使用了 cv2 和 skimage 的斑点检测模块，但它们只返回圆形斑点。只要星系完全包含在圆圈内，这实际上就可以了，但问题是这些斑点往往小于非圆形斑点的实际大小（例如椭圆形的斑点）。

blob 太小的示例：

斑点检测结果与实际星系：

我尝试过高斯模糊。

是否有任何实现/方法让我能够获得也与银河系形状相匹配的斑点？如果可能，我想避免使用阈值方法。

我现在的代码（只是包的基本使用）：

fig, axes = plt.subplots(4, 5, figsize=(25, 20), sharex=True, sharey=True)
ax = axes.ravel()
i = 0

for galaxy, original_img_data in nsa_galaxy_images.items():
    
    blurred_img = skimage.filters.gaussian(original_img_data, sigma=3)
    blobs_dog = blob_dog(blurred_img, max_sigma=100, threshold=.1, exclude_border=False, overlap=1)
    blobs_dog[:, 2] = blobs_dog[:, 2] * sqrt(2)


    ax[i].set_title(galaxy)
    ax[i].imshow(original_img_data)

    for blob in blobs_dog:
            
        y, x, r = blob
        c = plt.Circle((x, y), r, color='green', linewidth=2, fill=False)

        ax[i].add_patch(c)
        ax[i].set_axis_off()

    i += 1

编辑 1：

正如@Cris Luengo 所建议的，这里的代码允许您下载类似的星系图像以在 python 中使用：

from astroquery.skyview import SkyView

FAMOUS_GALAXIES_LIST = ['NGC 450', 'NGC 5792', 'NGC 4437', 
                        'NGC 1032', 'NGC 4753',
                        'NGC 60', 'NGC 5496', 'NGC 936',
                        ]

galaxy_images = {}

for galaxy in FAMOUS_GALAXIES_LIST:
    img = SkyView.get_images(galaxy,survey=['SDSSi'], pixels=250,)
    original_img_data = img[0][0].data.copy()
    galaxy_images[galaxy] = original_img_data

Answer 1

这还不是一个解决方案，但也许对您来说是一个很好的起点。

想法：

1. 从星系中心（假定的图像中心）：追踪强度直到找到特定背景
2. 对不同的角度重复此操作

我用过这张图片

int main()
{
    //cv::Mat img = cv::imread("C:/data/*/skyView/SAMPLE.png", cv::IMREAD_ANYCOLOR | cv::IMREAD_ANYDEPTH);
    //cv::Mat img = cv::imread("C:/data/*/skyView/SAMPLE.png", cv::IMREAD_GRAYSCALE);
    cv::Mat imgColor = cv::imread("C:/data/*/skyView/SAMPLE.png");
    std::vector<cv::Mat> colorChannels;
    cv::split(imgColor, colorChannels);
    cv::Mat img = colorChannels[2]; // R channel

    cv::Scalar meanAvg = cv::mean(img);

    

    for (double degrees = 0; degrees <= 180; degrees += 22.5)
    {
        cv::Point2f zero = cv::Point(1, 0);
        double rad = degrees / 180.0 * CV_PI;
        cv::Point2f current = cv::Point2f(cos(rad) * zero.x + -sin(rad) * zero.y, sin(rad * zero.x) + cos(rad) * zero.y);
        //cv::LineIterator lit = cv::LineIterator(img, cv::Point(0, img.rows - 1), cv::Point(img.cols - 1, 0));
        cv::LineIterator lit = cv::LineIterator(img, cv::Point(img.cols/2.0 , img.rows/2.0) - cv::Point(sqrt(2)*img.cols*current), cv::Point(img.cols / 2.0, img.rows / 2.0) + cv::Point(sqrt(2)*img.cols * current));
        int scale = 6;
        cv::Mat plotLine = cv::Mat::zeros(256, lit.count * scale, CV_8UC1);
        cv::Mat plot = cv::Mat::zeros(256, lit.count * scale, CV_8UC1);
        cv::Point prev;
        for (int i = 0; i < lit.count; ++lit, ++i)
        {
            uchar val = *(*lit);
            uchar val_inv = 255 - val;
            cv::Point pos = cv::Point(i * scale + scale / 2, val_inv);
            if (prev == cv::Point()) prev = pos;
            cv::line(plot, prev, pos, cv::Scalar::all(255), 1);
            prev = pos;
        }

        cv::Mat plotFlipped;
        cv::flip(plot, plotFlipped, 1);

        std::vector<cv::Mat> channels;
        channels.push_back(plot);
        channels.push_back(plotFlipped);
        cv::line(plotLine, cv::Point(0, 255 - meanAvg[0]), cv::Point(plot.cols, 255 - meanAvg[0]), cv::Scalar::all(255), 1);
        channels.push_back(plotLine);

        cv::Mat merged;
        cv::merge(channels, merged);

        cv::imshow("img", img);
        cv::imshow("plot", plot);
        cv::imshow("merged", merged);
        cv::imwrite("C:/data/*/skyView/SAMPLE_plot_" + std::to_string(degrees)+ ".png", merged);
        cv::waitKey(0);
    }
}

并得到这个输出：

红线是整个图像的平均平均值（中位数会更好） 其他地块是彼此的镜像版本

45°（假定最小尺寸

90°（假定最大尺寸）

全部，从 0° 到 180°，步长为 22.5°：

尖锐的零峰是呈现给图像的绿色圆圈，它不会出现在您的原始图像中