如何在OpenCV中获取轮廓检测的动态阈值

Question

在我的图像数据库中，需要 1)检测图像中是否存在薄片（非常黑的轮廓），以及 2) 找到最小闭合圆来测量薄片的半径。

然而，这些图像的照明略有不同。

这里有些例子：

这个很容易检测和测量：

但这些更难：

我最初的想法是使用与图像像素平均值相关的阈值。

有没有其他方法可以在 OpenCV 中计算这样的动态阈值？

Answer 1

我认为您正在寻找的是cv2.adaptiveThreshold()或Otsu's thresholding。为了满足您对 #1 的要求，我们可以使用最小阈值面积来确定薄片是否存在。对于#2，一旦我们检测到轮廓，我们就可以使用矩来确定半径。这是一个简单的方法

• 将图像转换为灰度和中值模糊
• 自适应阈值
• 变形接近平滑图像
• 扩张以增强轮廓
• 使用轮廓区域查找轮廓并排序

主要思想是使用大中值模糊去除噪声然后自适应阈值。以下是您的四张照片的结果。对于你的一些照片，黑点实际上并不是一个圆形，它更像是一个椭圆形。您可以决定在这种情况下要做什么。

import cv2

image = cv2.imread('4.jpg')
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) 
blur = cv2.medianBlur(gray, 25)
thresh = cv2.adaptiveThreshold(blur,255,cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY_INV,27,6)

kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
close = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=1)
dilate = cv2.dilate(close, kernel, iterations=2)

cnts = cv2.findContours(dilate, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
cnts = sorted(cnts, key=cv2.contourArea, reverse=True)[:10]

minimum_area = 500
for c in cnts:
    area = cv2.contourArea(c)
    if area > minimum_area:
        # Find centroid
        M = cv2.moments(c)
        cX = int(M["m10"] / M["m00"])
        cY = int(M["m01"] / M["m00"])
        cv2.circle(image, (cX, cY), 20, (36, 255, 12), 2) 
        x,y,w,h = cv2.boundingRect(c)
        cv2.putText(image, 'Radius: {}'.format(w/2), (10,20), cv2.FONT_HERSHEY_SIMPLEX, 0.5, (36,255,12), 2)
        break

cv2.imshow('thresh', thresh)
cv2.imshow('close', close)
cv2.imshow('image', image)
cv2.waitKey()