python检测屏幕亮点_使用Python和OpenCV检测图像中的多个亮点
点击上方"蓝色小字"关注我呀
本文来自光头哥哥的博客【Detecting multiple bright spots in an image with Python and OpenCV】,仅做学习分享。
原文链接:https://www.pyimagesearch.com/2016/10/31/detecting-multiple-bright-spots-in-an-image-with-python-and-opencv/
今天的博客文章是我几年前做的一个关于寻找图像中最亮点的教程的后续。我之前的教程假设在图像中只有一个亮点你想要检测...
但如果有多个亮点呢?如果您想在图像中检测多个亮点,代码会稍微复杂一点,但不会太复杂。不过不用担心:我将详细解释每一个步骤。
看看下面的图片:
在这幅图中,我们有五个灯泡。我们的目标是检测图像中的这五个灯泡,并对它们进行唯一的标记。首先,打开一个新文件并将其命名为detect_bright_spot .py。然后,插入以下代码:
# import the necessary packagesfrom imutils import contoursfrom skimage import measureimport numpy as npimport argparseimport imutilsimport cv2# construct the argument parse and parse the argumentsap = argparse.ArgumentParser()ap.add_argument("-i", "--image", required=True,help="path to the image file")args = vars(ap.parse_args())
导入一些必要的包和命令行参数。
要开始检测图像中最亮的区域,我们首先需要从磁盘加载我们的图像,然后将其转换为灰度图并进行平滑滤波,以减少高频噪声:
# load the image, convert it to grayscale, and blur itimage = cv2.imread(args["image"])gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray, (11, 11), 0)
这些操作的输出如下:
为了显示模糊图像中最亮的区域,我们需要应用阈值化:
# threshold the image to reveal light regions in the# blurred imagethresh = cv2.threshold(blurred, 200, 255, cv2.THRESH_BINARY)[1]
操作取任意像素值p >= 200,并将其设置为255(白色)。像素值< 200被设置为0(黑色)。阈值化后,我们得到如下图像:
注意图像的明亮区域现在都是白色的,而其余的图像被设置为黑色。然而,在这幅图像中有一点噪声(即,小斑点),所以让我们通过执行一系列的腐蚀和膨胀操作来清除它:
# perform a series of erosions and dilations to remove# any small blobs of noise from the thresholded imagethresh = cv2.erode(thresh, None, iterations=2)thresh = cv2.dilate(thresh, None, iterations=4)
在应用这些操作之后,你可以看到我们的thresh图像变得更加“干净”,但是仍然有一些我们想要移除的斑点。
本项目的关键步骤是对上图中的每个区域进行标记,然而,即使在应用了腐蚀和膨胀后,我们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:
# perform a connected component analysis on the thresholded# image, then initialize a mask to store only the "large"# componentslabels = measure.label(thresh, neighbors=8, background=0)mask = np.zeros(thresh.shape, dtype="uint8")# loop over the unique componentsfor label in np.unique(labels):# if this is the background label, ignore itif label == 0:continue# otherwise, construct the label mask and count the# number of pixelslabelMask = np.zeros(thresh.shape, dtype="uint8")labelMask[labels == label] = 255numPixels = 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)
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和我们的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。
然后我们在第5行初始化一个掩膜来存储大的斑点。
第7行我们开始循环遍历每个label中的正整数标签,如果标签为零,则表示我们正在检测背景并可以安全的忽略它(9,10行)。
否则,我们为当前区域构建一个掩码。
下面我提供了一个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:
然后第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),那么我们认为这个斑点“足够大”,并将其添加到掩膜中。
输出掩模如下图:
注意,所有小的斑点都被过滤掉了,只有大的斑点被保留了下来。最后一步是在我们的图像上绘制标记的斑点:
# find the contours in the mask, then sort them from left to# rightcnts = 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 contoursfor (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 imagecv2.imshow("Image", image)cv2.waitKey(0)
首先,我们需要检测掩模图像中的轮廓,然后按从左到右排序(3-7行)。
一旦我们的轮廓已经排序,我们可以对它们进行单独的循环处理(第8行)。
对于这些轮廓线,我们将计算出代表明亮区域的最小包围圆(第12行)。
然后,我们唯一地标记该区域并在图像上绘制它(第12-15行)。
最后,第17行和第18行显示了输出结果。
运行程序,你应该会看到以下输出图像:
请注意,每个灯泡都被独特地标上了圆圈,圆圈围绕着每个单独的明亮区域。
THE END
python检测屏幕亮点_使用Python和OpenCV检测图像中的多个亮点相关推荐
- python实现屏幕录制_使用python调用ffmpeg的录制项目总结
录制项目终于做完,不用总是提醒自己抓紧时间这样来想问题了. 在完成之后带着一些满足感,回头看看哪些地方是需要改进的,哪些地方又是有更好的替代方案,自己又有哪些不足. 下面按照软件的各部分分别做作总结: ...
- python手机屏幕控制_用Python控制墨水屏
按照基础教程墨水屏用了起来,但是,教程是用C写的,以后是想用python做开发的,这之间可咋切换? 万能的github上已经有人这么做了 https://github.com/GregDMeyer/I ...
- python 文字识别 准确率_关于OCR图片文本检测、推荐一个 基于深度学习的Python 库!...
大家好,我是 zeroing~ 1,前言 之前谈到图片文本 OCR 识别时,写过一篇文章介绍了一个 Python 包 pytesseract ,具体内容可参考 介绍一个Python 包 ,几行代码可实 ...
- 使用Python,OpenCV查找图像中的最亮点
Python,OpenCV找出图像中的最亮点 1. 原理 2. 优化 3. 效果图 4. 源码 参考 这篇博客将向您展示如何使用Python和OpenCV查找图像中的最亮点,以及应用单行预处理代码-- ...
- 使用Python,OpenCV从图像中删除轮廓
使用Python,OpenCV从图像中删除轮廓 1. 效果图 2. 步骤 3. 源码 4. 参考 1. 使用Python.OpenCV计算轮廓的中心并标记 2. 使用Python.OpenCV检测轮廓 ...
- 使用Python,OpenCV寻找图像中的轮廓
使用Python和OpenCV查找图像中的形状 1. 效果图 2. 步骤 3. 源码 参考 这篇博客将讨论使用Python和OpenCV查找图像中的形状,具体是 cv2.inRange在图像中查找形状 ...
- 热视觉2:使用Python和OpenCV从图像中测量温度
热视觉2:使用Python和OpenCV从图像中测量温度 这篇博客将介绍学习热/中远红外视觉的基础知识,gray8 和 gray16 图像(即最常见的热成像格式)之间的差异,学习如何使用Python和 ...
- python使用matplotlib可视化、使用rcParams参数调整可视化图像中线条宽度、线条类型、文本字体、字体大小、字体颜色、字体类型、文本颜色等
python使用matplotlib可视化.使用rcParams参数调整可视化图像中线条宽度.线条类型.文本字体.字体大小.字体颜色.字体类型.文本颜色等 目录
- python label显示图片_高大上的YOLOV3对象检测算法,使用python也可轻松实现
继续我们的目标检测算法的分享,前期我们介绍了SSD目标检测算法的python实现以及Faster-RCNN目标检测算法的python实现以及yolo目标检测算法的darknet的window环境安装, ...
最新文章
- 光耦p621引脚图_开关电源中光耦电路的设计与优点
- baidu mp3竟然还加密,太扯了
- concealing 706 DC, 706 AC, 706 MV errors in P frame
- 反馈速度小于 200ms!“弹窗”功能让你极速触达用户内心
- git 配置免密登陆
- python入门基础系列_03python—9个基础常识-python小白入门系列
- String length must be a multiple of four.
- 用python刷网页浏览量_Python 刷网页访问量
- PassGAN阅读笔记
- repo sync x509: certificate is valid for,外部过滤器失败,smudge过滤器lfs失败,cannot initialize work tree
- docker启动redis指定redis.conf参数
- HyperLedger Fabric 查询机制
- Win32多线程之被激发的对象(Signaled Objects)
- 光子晶体和深度学习结合进行多相流检测
- 原子化服务的官方解析来啦~
- 前端通过Ajax请求从后台返回数据到页面显示,实现分页功能
- AFN的简单介绍及使用
- 关于长尾应用的一些思考
- Maven安装教程讲解
- 技术栈中的爱马仕?Facebook发布全新JavaScript引擎:Hermes