如何检测图像中的光点？
How to detect light spots in image?
为了检测某个地理区域的 inselbergs，我下载了该区域的地形图像（地势和斜度）。斜率图像似乎最适合这项任务。
应用高斯模糊（或使用 ImageMagick 的更快的普通模糊）后，图像似乎已准备好进行自动检测。
现在我想知道 best/fastest 检测黑色背景上这些白色污渍的方法。我的第一个想法是使用一个简单的函数（没有外部库），它的工作原理类似于绘图程序的 "bucket paint" 函数，计算比预定义阈值亮的对象的面积。问题是：由于图像非常大，5400x3600 像素，通常的递归函数可能会导致堆栈溢出，特别是在像下面这样的大山脉上。
那么，有什么建议吗？我认为理想的语言可能是 C++（也许 JavaScript）。我不习惯Python。也许使用像 OpenCV 这样的库会更容易，但也许问题太微不足道，无法请求外部库（包括隐含的学习曲线）。
TIFF图像来自here（我可以将它们转换成其他格式进行处理）。示例图像位于 17S42 四面体（"Declividade" 选项），靠近坐标 18°S 41°W。在中间的图像（上图）中，每个 "white ball" 都是一个 inselberg。精度将取决于所选择的灰度阈值。
一种方法是使用 ImageMagick 连接组件并在适当的阈值后从每个白色区域提取质心。
这是 ImageMagick 6 中的命令行。但如果需要，您可以使用 C+ API。
毛边图像：
convert blur.png -auto-level -threshold 65% -type bilevel \
-define connected-components:verbose=true \
-define connected-components:mean-color=true \
-connected-components 4 binary.png |\
grep "gray(255)" | awk '{print }'
质心（像素坐标）：
915.9,367.4
873.4,76.8
936.4,269.5
664.8,212.0
598.2,554.3
954.0,59.3
732.6,446.0
353.5,696.4
69.7,848.0
750.4,357.6
537.5,609.9
832.0,230.9
517.9,539.1
阈值图像：
简而言之，使用您的方法您将得到一个非常差的尺寸估计值。模糊区域的边缘，无论您选择什么阈值，都不对应于您要测量的 inselbergs 的边缘。
相反，我建议您遵循以下食谱。为此，我在 Python 中使用 DIPlib（免责声明：我是作者）。 Python 绑定是 C++ 库上的薄层，将下面的 Python 代码转换为 C++ 相当简单（我更容易在 Python 中交互式开发它）。使用 pip install diplib.
安装
我从您提供的 link 下载了原始高度数据（而不是倾斜度）。 DIPlib 可以直接读取浮点值的 TIFF 文件，因此不需要任何特殊的转换。我裁剪了一个类似于 OP 用于此演示的区域，但没有理由不将该方法应用于整个图块。
import diplib as dip
height = dip.ImageRead('17S42_ZN.tif')
height.SetPixelSize(0.000278, 'rad') # not really radian, but we don't have degrees
height = height[3049:3684, 2895:3513];
代码还根据 TIFF 文件中的数据设置像素大小（使用弧度单位，因为 DIPlib 不计算度数）。
接下来，我应用特定直径（25 像素）的顶帽滤镜。这将隔离所有直径为 25 像素或更小的峰。根据您认为 inselberg 的最大宽度调整此大小。
local_height = dip.Tophat(height, 25)
实际上，结果是局部高度，即高于某个基线的高度，由过滤器的大小决定。
接下来，我应用滞后阈值（双阈值）。这会产生一个二进制图像，在基线以上 100 米处设置阈值，其中地形在基线以上 200 米以上。也就是说，我决定在基线以上至少 200 米处设置一个岛山，但在 100 米处将每个岛山切断。在这个高度，我们将测量尺寸（面积）。同样，根据需要调整阈值。
inselbergs = dip.HysteresisThreshold(local_height, 100, 200)
现在剩下的就是测量我们找到的区域：
labels = dip.Label(inselbergs)
result = dip.MeasurementTool.Measure(labels, features=['Size', 'Center'])
print(result)
这输出：
| Size | Center |
-- | ---------- | ----------------------- |
| | dim0 | dim1 |
| (rad²) | (rad) | (rad) |
-- | ---------- | ---------- | ---------- |
1 | 1.863e-05 | 0.1514 | 0.01798 |
2 | 4.220e-05 | 0.1376 | 0.02080 |
3 | 6.214e-05 | 0.09849 | 0.04429 |
4 | 6.492e-06 | 0.1282 | 0.04710 |
5 | 3.022e-05 | 0.1354 | 0.04925 |
6 | 4.274e-05 | 0.1510 | 0.05420 |
7 | 2.218e-05 | 0.1228 | 0.05802 |
8 | 1.932e-05 | 0.1420 | 0.05689 |
9 | 7.690e-05 | 0.1493 | 0.06960 |
10 | 3.285e-05 | 0.1120 | 0.07089 |
11 | 5.248e-05 | 0.1389 | 0.07851 |
12 | 4.637e-05 | 0.1096 | 0.09016 |
13 | 3.787e-05 | 0.07146 | 0.1012 |
14 | 2.133e-05 | 0.09046 | 0.09908 |
15 | 3.895e-05 | 0.08553 | 0.1064 |
16 | 3.308e-05 | 0.09972 | 0.1143 |
17 | 3.277e-05 | 0.05312 | 0.1174 |
18 | 2.581e-05 | 0.07298 | 0.1167 |
19 | 1.955e-05 | 0.04038 | 0.1304 |
20 | 4.846e-05 | 0.03657 | 0.1448 |
（请记住，它说 'rad' 的地方实际上是度数。）平方度数的面积有点奇怪，但您可以将其转换为平方米，因为您知道地球上的位置。实际上，在计算之前将像素大小转换为米可能更容易。
此处为 'Center' 给出的值是相对于左上角像素的，如果我们一开始没有裁剪图块，我们可以添加图块的坐标（可以从TIFF文件中对应的标签获取：(-42.0, -17.0).
在 C++ 中，代码应如下所示：
#include <diplib/simple_file_io.h>
#include <diplib/morphology.h>
#include <diplib/segmentation.h>
#include <diplib/regions.h>
#include <diplib/measurement.h>
//...
dip::Image height = dip::ImageRead("17S42_ZN.tif");
height.SetPixelSize(0.000278 * dip::Units::Radian());
height = height.At(dip::Range(3049, 3684), dip::Range(2895, 3513));
dip::Image local_height = dip::Tophat(height, 25);
dip::Image inselbergs = dip::HysteresisThreshold(local_height, 100, 200);
dip::Image labels = dip::Label(inselbergs);
dip::MeasurementTool measurementTool;
dip::Measurement result = measurementTool.Measure(labels, {}, {"Size", "Center"});
std::cout << result;
为了检测某个地理区域的 inselbergs，我下载了该区域的地形图像（地势和斜度）。斜率图像似乎最适合这项任务。
应用高斯模糊（或使用 ImageMagick 的更快的普通模糊）后，图像似乎已准备好进行自动检测。
现在我想知道 best/fastest 检测黑色背景上这些白色污渍的方法。我的第一个想法是使用一个简单的函数（没有外部库），它的工作原理类似于绘图程序的 "bucket paint" 函数，计算比预定义阈值亮的对象的面积。问题是：由于图像非常大，5400x3600 像素，通常的递归函数可能会导致堆栈溢出，特别是在像下面这样的大山脉上。
那么，有什么建议吗？我认为理想的语言可能是 C++（也许 JavaScript）。我不习惯Python。也许使用像 OpenCV 这样的库会更容易，但也许问题太微不足道，无法请求外部库（包括隐含的学习曲线）。
TIFF图像来自here（我可以将它们转换成其他格式进行处理）。示例图像位于 17S42 四面体（"Declividade" 选项），靠近坐标 18°S 41°W。在中间的图像（上图）中，每个 "white ball" 都是一个 inselberg。精度将取决于所选择的灰度阈值。
一种方法是使用 ImageMagick 连接组件并在适当的阈值后从每个白色区域提取质心。
这是 ImageMagick 6 中的命令行。但如果需要，您可以使用 C+ API。
毛边图像：
convert blur.png -auto-level -threshold 65% -type bilevel \
-define connected-components:verbose=true \
-define connected-components:mean-color=true \
-connected-components 4 binary.png |\
grep "gray(255)" | awk '{print }'
质心（像素坐标）：
915.9,367.4
873.4,76.8
936.4,269.5
664.8,212.0
598.2,554.3
954.0,59.3
732.6,446.0
353.5,696.4
69.7,848.0
750.4,357.6
537.5,609.9
832.0,230.9
517.9,539.1
阈值图像：
简而言之，使用您的方法您将得到一个非常差的尺寸估计值。模糊区域的边缘，无论您选择什么阈值，都不对应于您要测量的 inselbergs 的边缘。
相反，我建议您遵循以下食谱。为此，我在 Python 中使用 DIPlib（免责声明：我是作者）。 Python 绑定是 C++ 库上的薄层，将下面的 Python 代码转换为 C++ 相当简单（我更容易在 Python 中交互式开发它）。使用 pip install diplib.
我从您提供的 link 下载了原始高度数据（而不是倾斜度）。 DIPlib 可以直接读取浮点值的 TIFF 文件，因此不需要任何特殊的转换。我裁剪了一个类似于 OP 用于此演示的区域，但没有理由不将该方法应用于整个图块。
import diplib as dip
height = dip.ImageRead('17S42_ZN.tif')
height.SetPixelSize(0.000278, 'rad') # not really radian, but we don't have degrees
height = height[3049:3684, 2895:3513];
代码还根据 TIFF 文件中的数据设置像素大小（使用弧度单位，因为 DIPlib 不计算度数）。
接下来，我应用特定直径（25 像素）的顶帽滤镜。这将隔离所有直径为 25 像素或更小的峰。根据您认为 inselberg 的最大宽度调整此大小。
local_height = dip.Tophat(height, 25)
实际上，结果是局部高度，即高于某个基线的高度，由过滤器的大小决定。
接下来，我应用滞后阈值（双阈值）。这会产生一个二进制图像，在基线以上 100 米处设置阈值，其中地形在基线以上 200 米以上。也就是说，我决定在基线以上至少 200 米处设置一个岛山，但在 100 米处将每个岛山切断。在这个高度，我们将测量尺寸（面积）。同样，根据需要调整阈值。
inselbergs = dip.HysteresisThreshold(local_height, 100, 200)
现在剩下的就是测量我们找到的区域：
labels = dip.Label(inselbergs)
result = dip.MeasurementTool.Measure(labels, features=['Size', 'Center'])
print(result)
这输出：
| Size | Center |
-- | ---------- | ----------------------- |
| | dim0 | dim1 |
| (rad²) | (rad) | (rad) |
-- | ---------- | ---------- | ---------- |
1 | 1.863e-05 | 0.1514 | 0.01798 |
2 | 4.220e-05 | 0.1376 | 0.02080 |
3 | 6.214e-05 | 0.09849 | 0.04429 |
4 | 6.492e-06 | 0.1282 | 0.04710 |
5 | 3.022e-05 | 0.1354 | 0.04925 |
6 | 4.274e-05 | 0.1510 | 0.05420 |
7 | 2.218e-05 | 0.1228 | 0.05802 |
8 | 1.932e-05 | 0.1420 | 0.05689 |
9 | 7.690e-05 | 0.1493 | 0.06960 |
10 | 3.285e-05 | 0.1120 | 0.07089 |
11 | 5.248e-05 | 0.1389 | 0.07851 |
12 | 4.637e-05 | 0.1096 | 0.09016 |
13 | 3.787e-05 | 0.07146 | 0.1012 |
14 | 2.133e-05 | 0.09046 | 0.09908 |
15 | 3.895e-05 | 0.08553 | 0.1064 |
16 | 3.308e-05 | 0.09972 | 0.1143 |
17 | 3.277e-05 | 0.05312 | 0.1174 |
18 | 2.581e-05 | 0.07298 | 0.1167 |
19 | 1.955e-05 | 0.04038 | 0.1304 |
20 | 4.846e-05 | 0.03657 | 0.1448 |
（请记住，它说 'rad' 的地方实际上是度数。）平方度数的面积有点奇怪，但您可以将其转换为平方米，因为您知道地球上的位置。实际上，在计算之前将像素大小转换为米可能更容易。
此处为 'Center' 给出的值是相对于左上角像素的，如果我们一开始没有裁剪图块，我们可以添加图块的坐标（可以从TIFF文件中对应的标签获取：(-42.0, -17.0).
在 C++ 中，代码应如下所示：
#include <diplib/simple_file_io.h>
#include <diplib/morphology.h>
#include <diplib/segmentation.h>
#include <diplib/regions.h>
#include <diplib/measurement.h>
//...
dip::Image height = dip::ImageRead("17S42_ZN.tif");
height.SetPixelSize(0.000278 * dip::Units::Radian());
height = height.At(dip::Range(3049, 3684), dip::Range(2895, 3513));
dip::Image local_height = dip::Tophat(height, 25);
dip::Image inselbergs = dip::HysteresisThreshold(local_height, 100, 200);
dip::Image labels = dip::Label(inselbergs);
dip::MeasurementTool measurementTool;
dip::Measurement result = measurementTool.Measure(labels, {}, {"Size", "Center"});
std::cout << result;