寻找不同的苹果图片图像分割方法

Question

我有苹果片浸泡在碘溶液中的照片。目标是将苹果分成各个感兴趣的区域并评估每个区域的淀粉含量。这是一个学校项目，所以我的目标是测试不同的分割方法，客观地找到最佳解决方案，无论是单一技术还是多种技术的组合。

问题是到目前为止我只接近一种方法。该方法正在使用 HoughCircles。我最初计划使用分水岭方法、形态学操作或简单的阈值。当我无法修改它们中的任何一个来工作时，这个计划失败了。

原始图像看起来与此类似，苹果的深浅不一

我尝试使用带有 HSV 值的 cv2.inRange 删除背景托盘，但它不适用于较深的苹果。

这就是 HoughCircles 在原始图像上产生的结果，应用了灰度和中值模糊，还尝试了托盘的蒙版。

任何关于下一步去哪里的建议或方向将不胜感激。如果有帮助，我可以提供我正在使用的代码。

谢谢！

编辑 1：添加一些代码并澄清问题

感谢您的回复。我真正的问题是，这种情况下还有其他适合的分割方法吗？我想尝试几种不同的方法并比较大量照片的结果。我接下来要尝试的是使用 k-means 分割。此外，我将在下面添加一些代码以显示到目前为止我已经尝试过的内容。

HSV 颜色过滤

import cv2
import numpy as np

# Load image
image = cv2.imread('ApplePic.jpg')

# Set minimum and max HSV values to display
lower = np.array([0, 0, 0])
upper = np.array([105, 200, 255])

# Create HSV Image and threshold into a range.
hsv = cv2.cvtColor(image, cv2.COLOR_BGR2HSV)
mask = cv2.inRange(hsv, lower, upper)
maskedImage = cv2.bitwise_and(image, image, mask=mask)

# Show Image
cv2.imshow('HSV Mask', image)
cv2.waitKey(0)

霍夫圈子

# import the necessary packages
import numpy as np
import argparse
import cv2
import os

directory = os.fsencode('Photos\\Sample N 100')

for file in os.listdir(directory):

    filename = os.fsdecode(file)

    if filename.endswith('.jpg'):
        # Load the image
        image = cv2.imread('Photos\\Sample N 100\\' + filename)

        # Calculate scale
        scale_factor = 800 / image.shape[0]
        width = int(image.shape[1] * scale_factor)
        height = 800
        dimension = (width, height)
        min_radius = int((width / 10) * .8)
        max_radius = int((width / 10) * 1.2)

        # Resize image
        image = cv2.resize(image, dimension, interpolation=cv2.INTER_AREA)

        # Copy Image 
        output = image.copy()

        # Grayscale Image
        gray = cv2.medianBlur(cv2.cvtColor(image, cv2.COLOR_BGR2GRAY), 5)

        # Detect circles in image
        circles = cv2.HoughCircles(gray, cv2.HOUGH_GRADIENT, 1, min_radius * 2, 4, 60, 20,  min_radius, max_radius)

        # ensure at least some circles were found
        if circles is not None:
            # convert the (x, y) coordinates and radius of the circles to integers
            circles = np.round(circles[0, :]).astype("int")
            # loop over the (x, y) coordinates and radius of the circles
            for (x, y, r) in circles:
                # draw the circle in the output image, then draw a rectangle
                # corresponding to the center of the circle
                cv2.circle(output, (x, y), r, (0, 255, 0), 4)
                cv2.rectangle(output, (x - 5, y - 5), (x + 5, y + 5), (0, 128, 255), -1)
                cv2.putText(output, '(' + str(x) + ',' + str(y) + ',' + str(r) + ')', (x, y),
                        cv2.FONT_HERSHEY_COMPLEX_SMALL, 1, 255)


            # show the output image
            cv2.imshow("output", np.hstack([image, output, maskedImage]))
            cv2.waitKey(0)
        continue
    else:
        continue

Answer 1

分割苹果的另一种方法是在阈值化之前执行 Kmeans 颜色分割，然后使用轮廓过滤来隔离苹果对象：

1. 应用 Kmeans 颜色分割。我们加载图像，使用imutils.resizeKmeans 颜色分割缩小图像。根据簇的数量，我们可以将图像分割成所需数量的颜色。

2. 获取二值图像。接下来我们转换为灰度、高斯模糊和大津阈值。

3. 使用轮廓近似进行过滤。我们过滤掉非圆形轮廓和小噪声。

4. 形态学操作。我们执行接近填充相邻轮廓的变形

5. 使用轮廓区域作为过滤器绘制最小封闭圆。我们找到轮廓并绘制近似圆。为此，我们使用了两个部分，一个是具有良好阈值的部分，另一部分是我们近似半径的部分。

Kmeans 颜色量化clusters=3和二进制图像

变形关闭和结果

使用自动计算半径的“良好”轮廓cv2.minEnclosingCircle以绿色突出显示，而近似轮廓以青色突出显示。这些近似轮廓没有从阈值过程中很好地分割，因此我们平均“好”轮廓半径并使用它来绘制圆。

代码

import cv2
import numpy as np
import imutils

# Kmeans color segmentation
def kmeans_color_quantization(image, clusters=8, rounds=1):
    h, w = image.shape[:2]
    samples = np.zeros([h*w,3], dtype=np.float32)
    count = 0

    for x in range(h):
        for y in range(w):
            samples[count] = image[x][y]
            count += 1

    compactness, labels, centers = cv2.kmeans(samples,
            clusters, 
            None,
            (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 10000, 0.0001), 
            rounds, 
            cv2.KMEANS_RANDOM_CENTERS)

    centers = np.uint8(centers)
    res = centers[labels.flatten()]
    return res.reshape((image.shape))

# Load image, resize smaller, perform kmeans, grayscale
# Apply Gaussian blur, Otsu's threshold
image = cv2.imread('1.jpg')
image = imutils.resize(image, width=600)
kmeans = kmeans_color_quantization(image, clusters=3)
gray = cv2.cvtColor(kmeans, cv2.COLOR_BGR2GRAY)
blur = cv2.GaussianBlur(gray, (9,9), 0)
thresh = cv2.threshold(blur, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1]

# Filter out contours not circle
cnts = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    peri = cv2.arcLength(c, True)
    approx = cv2.approxPolyDP(c, 0.04 * peri, True)
    if len(approx) < 4:
        cv2.drawContours(thresh, [c], -1, 0, -1)

# Morph close
kernel = cv2.getStructuringElement(cv2.MORPH_ELLIPSE, (5,5))
close = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=3)

# Find contours and draw minimum enclosing circles 
# using contour area as filter
approximated_radius = 63
cnts = cv2.findContours(close, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]
for c in cnts:
    area = cv2.contourArea(c)
    x,y,w,h = cv2.boundingRect(c)
    # Large circles
    if area > 6000 and area < 15000:
        ((x, y), r) = cv2.minEnclosingCircle(c)
        cv2.circle(image, (int(x), int(y)), int(r), (36, 255, 12), 2)
    # Small circles
    elif area > 1000 and area < 6000:
        ((x, y), r) = cv2.minEnclosingCircle(c)
        cv2.circle(image, (int(x), int(y)), approximated_radius, (200, 255, 12), 2)

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