我一直在开发一个应用程序来计算圆形物体，例如图片中的细菌菌落。
使事情变得容易的是对象通常与背景完全不同的事实。
然而，很少有困难使分析变得棘手：
- 背景将呈现逐渐以及快速的强度变化。
- 在容器的边缘，对象将是椭圆形而不是圆形。
- 物体的边缘有时相当模糊。
- 对象将聚集。
- 对象可以非常小（直径 6px）
- 最终，算法将由对图像分析没有深入了解的人使用（通过 GUI），因此参数必须直观且很少。
该问题已在科学文献中多次解决并“解决”，例如，使用循环霍夫变换或分水岭方法，但我从未对结果感到满意。
所描述的一种简单方法是通过自适应阈值处理来获得前景，并使用距离变换分割（如我在这篇文章中所描述的）聚类对象。
我已经成功地实施了这种方法，但它不能总是处理强度的突然变化。此外，同行要求我提出一种更“新颖”的方法。
因此，我一直在寻找一种提取前景的新方法。
因此，我研究了其他阈值/斑点检测方法。我尝试了 MSER，但发现在我的情况下它们不是很健壮而且很慢。
我最终提出了一个算法，到目前为止，它给了我很好的结果：
- 我拆分图像的三个通道并减少它们的噪声（模糊/中值模糊）。对于每个频道：
- 我通过计算原始通道和卷积（通过大内核模糊）通道之间的绝对差来应用自适应阈值的第一步的手动实现。然后，对于阈值的所有相关值：
- 我对 2) 的结果应用阈值
- 寻找轮廓
- 在授予其形状（大小、面积、凸度...）时验证或使轮廓无效
- 然后只有有效的连续区域（即由轮廓分隔）在累加器中重绘（每个通道 1 个累加器）。
- 在累积超过阈值的连续区域后，我最终得到了一张“区域分数”的地图。具有最高强度的区域是最常满足形态过滤标准的区域。
- 然后将三个地图（每个通道一个）转换为灰度并进行阈值处理（阈值由用户控制）
只是为了向您展示我必须使用的图像类型：
这张图片代表顶部 3 个示例图像的一部分，以及底部各个部分的算法结果（蓝色 = 前景）。
这是我的 C++ 实现：3-7
/*
* cv::Mat dst[3] is the result of the absolute difference between original and convolved channel.
* MCF(std::vector<cv::Point>, int, int) is a filter function that returns an positive int only if the input contour is valid.
*/
/* Allocate 3 matrices (1 per channel)*/
cv::Mat accu[3];
/* We define the maximal threshold to be tried as half of the absolute maximal value in each channel*/
int maxBGR[3];
for(unsigned int i=0; i<3;i++){
double min, max;
cv::minMaxLoc(dst[i],&min,&max);
maxBGR[i] = max/2;
/* In addition, we fill accumulators by zeros*/
accu[i]=cv::Mat(compos[0].rows,compos[0].cols,CV_8U,cv::Scalar(0));
}
/* This loops are intended to be multithreaded using
#pragma omp parallel for collapse(2) schedule(dynamic)
For each channel */
for(unsigned int i=0; i<3;i++){
/* For each value of threshold (m_step can be > 1 in order to save time)*/
for(int j=0;j<maxBGR[i] ;j += m_step ){
/* Temporary matrix*/
cv::Mat tmp;
std::vector<std::vector<cv::Point> > contours;
/* Thresholds dst by j*/
cv::threshold(dst[i],tmp, j, 255, cv::THRESH_BINARY);
/* Finds continous regions*/
cv::findContours(tmp, contours, CV_RETR_LIST, CV_CHAIN_APPROX_TC89_L1);
if(contours.size() > 0){
/* Tests each contours*/
for(unsigned int k=0;k<contours.size();k++){
int valid = MCF(contours[k],m_minRad,m_maxRad);
if(valid>0){
/* I found that redrawing was very much faster if the given contour was copied in a smaller container.
* I do not really understand why though. For instance,
cv::drawContours(miniTmp,contours,k,cv::Scalar(1),-1,8,cv::noArray(), INT_MAX, cv::Point(-rect.x,-rect.y));
is slower especially if contours is very long.
*/
std::vector<std::vector<cv::Point> > tpv(1);
std::copy(contours.begin()+k, contours.begin()+k+1, tpv.begin());
/* We make a Roi here*/
cv::Rect rect = cv::boundingRect(tpv[0]);
cv::Mat miniTmp(rect.height,rect.width,CV_8U,cv::Scalar(0));
cv::drawContours(miniTmp,tpv,0,cv::Scalar(1),-1,8,cv::noArray(), INT_MAX, cv::Point(-rect.x,-rect.y));
accu[i](rect) = miniTmp + accu[i](rect);
}
}
}
}
}
/* Make the global scoreMap*/
cv::merge(accu,3,scoreMap);
/* Conditional noise removal*/
if(m_minRad>2)
cv::medianBlur(scoreMap,scoreMap,3);
cvtColor(scoreMap,scoreMap,CV_BGR2GRAY);
我有两个问题：
这种前景提取方法的名称是什么，您是否认为在这种情况下使用它可能不合适？
由于递归查找和绘制轮廓非常密集，我想让我的算法更快。你能告诉我实现这个目标的任何方法吗？
非常感谢您的帮助，
