当前位置：首页 > 脚本中心 > python > 详细页面

Python+OpenCV检测灯光亮点的实现方法

时间：2020-11-02来源：www.pcxitongcheng.com作者：电脑系统城

本篇博文分享一篇寻找图像中灯光亮点（图像中最亮点）的教程，例如，检测图像中五个灯光的亮点并标记，项目效果如下所示：

第1步：导入并打开原图像，实现代码如下所示：

1
2
3
4
5
6
7
8
9
10
11
12 # import the necessary packages
from imutils import contours
from skimage import measure
import numpy as np
import argparse
import imutils
import cv2
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
help="path to the image file")
args = vars(ap.parse_args())

第2步：开始检测图像中最亮的区域，首先需要从磁盘加载图像，然后将其转换为灰度图并进行平滑滤波，以减少高频噪声，实现代码如下所示：

1
2
3
4 #load the image, convert it to grayscale, and blur it
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (11, 11), 0)

导入亮灯图像，过滤后效果如下所示：

第3步：阈值化处理，为了显示模糊图像中最亮的区域，将像素值p >= 200，设置为255(白色)，像素值< 200，设置为0(黑色)，实现代码如下所示：

1
2
3 # threshold the image to reveal light regions in the
# blurred image
thresh = cv2.threshold(blurred, 200, 255, cv2.THRESH_BINARY)[1]

效果如下所示：

第4步：此时可看到图像中存在噪声(小斑点)，所以需要通过腐蚀和膨胀操作来清除，实现代码如下所示：

1
2
3
4 # perform a series of erosions and dilations to remove
# any small blobs of noise from the thresholded image
thresh = cv2.erode(thresh, None, iterations=2)
thresh = cv2.dilate(thresh, None, iterations=4)

此时“干净”的图像如下所示：

第5步：本项目的关键步骤是对上图中的每个区域进行标记，即使在应用了腐蚀和膨胀后，仍然想要过滤掉剩余的小块儿区域。一个很好的方法是执行连接组件分析，实现代码如下所示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19 # perform a connected component analysis on the thresholded
# image, then initialize a mask to store only the "large"
# components
labels = measure.label(thresh, neighbors=8, background=0)
mask = np.zeros(thresh.shape, dtype="uint8")
# loop over the unique components
for label in np.unique(labels):
# if this is the background label, ignore it
if label == 0:
continue
# otherwise, construct the label mask and count the
# number of pixels
labelMask = np.zeros(thresh.shape, dtype="uint8")
labelMask[labels == label] = 255
numPixels = cv2.countNonZero(labelMask)
# if the number of pixels in the component is sufficiently
# large, then add it to our mask of "large blobs"
if numPixels > 300:
mask = cv2.add(mask, labelMask)

上述代码中，第4行使用scikit-image库执行实际的连接组件分析。measure.lable返回的label和阈值图像有相同的大小，唯一的区别就是label存储的为阈值图像每一斑点对应的正整数。

然后在第5行初始化一个掩膜来存储大的斑点。

第7行开始循环遍历每个label中的正整数标签，如果标签为零，则表示正在检测背景并可以安全的忽略它（9，10行）。否则，为当前区域构建一个掩码。

下面提供了一个GIF动画，它可视化地构建了每个标签的labelMask。使用这个动画来帮助你了解如何访问和显示每个单独的组件：

第15行对labelMask中的非零像素进行计数。如果numPixels超过了一个预先定义的阈值(在本例中，总数为300像素)，那么认为这个斑点“足够大”，并将其添加到掩膜中。输出掩模如下图所示：

第6步：此时图像中所有小的斑点都被过滤掉了，只有大的斑点被保留了下来。最后一步是在的图像上绘制标记的斑点，实现代码如下所示：

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18 # find the contours in the mask, then sort them from left to
# right
cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,
cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
cnts = contours.sort_contours(cnts)[0]
# loop over the contours
for (i, c) in enumerate(cnts):
# draw the bright spot on the image
(x, y, w, h) = cv2.boundingRect(c)
((cX, cY), radius) = cv2.minEnclosingCircle(c)
cv2.circle(image, (int(cX), int(cY)), int(radius),
(0, 0, 255), 3)
cv2.putText(image, "#{}".format(i + 1), (x, y - 15),
cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)
# show the output image
cv2.imshow("Image", image)
cv2.waitKey(0)