在嘈杂的背景中难以检测到小物体。有什么方法可以解决这个问题?

Having difficulties detecting small objects in noisy background. Any ways to fix this?

我正在尝试制作一个计算机视觉程序,它可以在嘈杂的背景中检测垃圾和随机垃圾,例如海滩(由于沙子而嘈杂)。

原图:

无需任何图像处理的 Canny 边缘检测:

我意识到图像处理技术的某种组合将帮助我实现我的目标,即忽略嘈杂的沙地背景并检测地面上的所有垃圾和物体。

我尝试预先形成中值模糊,尝试并调整参数,它给了我这个:

它在忽略沙质背景方面表现良好,但未能检测到地面上的其他许多物体,可能是因为它被模糊了(不太确定)。

有没有什么方法可以改进我的算法或图像处理技术来忽略嘈杂的沙质背景,同时允许精明的边缘检测找到所有对象并让程序检测所有对象并在所有对象上绘制轮廓。

代码:

from pyimagesearch.transform import four_point_transform
from matplotlib import pyplot as plt
import numpy as np
import cv2
import imutils

im = cv2.imread('images/beach_trash_3.jpg')


#cv2.imshow('Original', im)

# Histogram equalization to improve contrast




###
#im = np.fliplr(im)

im = imutils.resize(im, height = 500)

imgray = cv2.cvtColor(im,cv2.COLOR_BGR2GRAY)

# Contour detection
#ret,thresh = cv2.threshold(imgray,127,255,0)

#imgray = cv2.GaussianBlur(imgray, (5, 5), 200)
imgray = cv2.medianBlur(imgray, 11)

cv2.imshow('Blurred', imgray)

'''
hist,bins = np.histogram(imgray.flatten(),256,[0,256])
plt_one = plt.figure(1)
cdf = hist.cumsum()
cdf_normalized = cdf * hist.max()/ cdf.max()

cdf_m = np.ma.masked_equal(cdf,0)
cdf_m = (cdf_m - cdf_m.min())*255/(cdf_m.max()-cdf_m.min())
cdf = np.ma.filled(cdf_m,0).astype('uint8')
imgray = cdf[imgray]

cv2.imshow('Histogram Normalization', imgray)
'''
'''
imgray = cv2.adaptiveThreshold(imgray,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\
            cv2.THRESH_BINARY,11,2)
'''

thresh = imgray

#imgray = cv2.medianBlur(imgray,5)
#imgray = cv2.Canny(imgray,10,500)
thresh = cv2.Canny(imgray,75,200)
#thresh = imgray
cv2.imshow('Canny', thresh)


contours, hierarchy = cv2.findContours(thresh.copy(),cv2.RETR_TREE,cv2.CHAIN_APPROX_SIMPLE)

cnts = sorted(contours, key = cv2.contourArea, reverse = True)[:5]

test = im.copy()
cv2.drawContours(test, cnts, -1,(0,255,0),2)
cv2.imshow('All contours', test)

print '---------------------------------------------'
#####  Code to show each contour #####
main = np.array([[]])
for c in cnts:
    epsilon = 0.02*cv2.arcLength(c,True)
    approx = cv2.approxPolyDP(c,epsilon,True)

    test = im.copy()
    cv2.drawContours(test, [approx], -1,(0,255,0),2)
    #print 'Contours: ', contours
    if len(approx) == 4:
        print 'Found rectangle'
        print 'Approx.shape: ', approx.shape
        print 'Test.shape: ', test.shape

        # frame_f = frame_f[y: y+h, x: x+w]
        frame_f = test[approx[0,0,1]:approx[2,0,1], approx[0,0,0]:approx[2,0,0]]

        print 'frame_f.shape: ', frame_f.shape
        main = np.append(main, approx[None,:][None,:])
        print 'main: ', main


    # Uncomment in order to show all rectangles in image
    #cv2.imshow('Show Ya', test)


    #print 'Approx: ', approx.shape
    #cv2.imshow('Show Ya', frame_f)
    cv2.waitKey()
print '---------------------------------------------'
cv2.drawContours(im, cnts, -1,(0,255,0),2)
print main.shape
print main
cv2.imshow('contour-test', im)
cv2.waitKey()

为了获得更好的结果,您应该应用多种算法。 OpenCV 教程始终关注 OpenCV 的一个特性。真正的 CV 应用程序应该使用尽可能多的技术和算法。

我曾经在嘈杂的图片中检测生物细胞,并且应用一些上下文信息获得了非常好的结果:

  • 单元格的预期大小
  • 事实上所有单元格的大小都相似
  • 预期的细胞数 所以我改变了很多参数并试图检测我在寻找什么。

如果使用边缘检测,沙子的形状会相当随机。尝试更改 canny 参数并检测线、矩形、圆等。 - 任何更可能产生垃圾的形状。记住每个参数集检测到的对象的位置,并优先考虑形状检测次数最多的那些位置(区域)。

使用分色。颜色直方图中的峰值可能是垃圾的提示,因为沙色的分布应该更均匀。

对于一些经常出现的小物件,比如烟蒂,可以应用object matching

P.S: 很酷的应用程序!出于好奇,你打算用四轴飞行器扫描海滩吗?

如果你想在如此均匀的背景上检测物体,你应该从检测图像中的主要颜色开始。这样你会检测到所有的沙子,而物体会在剩下的部分。你可以看看 Arnaud LeTrotter 和 Ludovic Llucia 发表的论文,他们都使用了这种 "main color detection".

我从你的问题中了解到的是:你想从本质上可变的背景中分割出前景对象(沙灰度取决于许多其他条件)。

有多种方法可以解决此类问题:

方法一:

从你的图像中可以清楚地看出,背景颜色像素的数量总是比前景多得多,开始初始分割的最简单方法是:

  1. 将图像转换为灰色。
  2. 创建直方图。
  3. 找到直方图的峰值索引,即具有最大像素的索引。

以上三个步骤让你了解了背景但是游戏并没有到此结束,现在你可以把这个索引值放在中间,然后在它周围取一个范围的值像 25 以上和以下,例如:如果您的峰值指数是 207(如您的情况),请选择从 75 到 225 的灰度范围和阈值图像,根据您背景的性质,上述方法可用于前景对象检测,分割后你必须执行一些 post 处理步骤,如形态分析,以在提取对象后分割出不同的对象,你可以应用一些 class 化的东西进行更精细的分割,以消除误报。

方法二:

玩一些图像像素的统计数据,比如制作一个小的灰度值数据集和

  1. 将它们标记为 class 1 和 2,例如 1 表示沙子,2 表示前景,
  2. 从classes中找出像素的均值和方差(标准偏差),并计算class(num_pix_per_class/total_num_pix)的概率,现在存储这些统计数据供以后使用,
  3. 现在回到图像并逐个获取每个像素并应用高斯 pdf:1/2*pisigma(exp(-(pix - mean)/2 *西格玛));在 mean 处放置较早计算的平均值,在 sigma 处放置较早计算的 std 偏差。
  4. 应用阶段 3 后,您将获得两个 class 的每个像素的两个概率值,只需选择概率较高的 class。

方法三:

方法 3 比上面两种更复杂:您可以使用一些基于纹理的操作来分割出沙子类型的纹理,但是对于应用基于纹理的方法,我会推荐监督 class化而不是无监督(如 k-方法)。 您可以使用的不同纹理特征是:

基本:

  1. 定义邻域中的灰度范围。
  2. 局部均值和方差或熵。
  3. 灰度共生矩阵 (GLCM)。

高级:

  1. 本地二进制模式。
  2. 小波变换。
  3. 伽柏变换。等等

PS: 在我看来你应该尝试方法 1 和 2。它可以解决很多工作。 :)