2

请查看下面的图片，以更清楚地了解我要问的内容。

在此处输入图像描述

相信大家都能看到这张图的书本数，也就是3本。我试过按照强度、分水岭来分割。由于噪音，即使使用 Canny 也不是很成功。但总而言之，除了canny，图像总是这样（见左图）： 在此处输入图像描述

所有的书都聚集在一起。我的目标是最终将它们分开并使用 bwboundaries 来计算书籍的数量。我也在尝试使用 label2rgb 来进一步区分这些书，但是，所有发生的事情都是它只有一种颜色，这意味着 MatLab 认为它是因为所有 3 本书都是相同的。

我在精装书上做到了这一点并取得了巨大成功，但是由于这本书不是精装书，因此没有明确的界限将它们分开。

几天来，我一直试图分割这张图片，但没有成功。有任何想法吗？欢迎任何建议或想法。

4

3 回答 3

1

Shai 建议沿图像的每个水平行计算平均值有助于识别书籍。如果书不是平的、不是水平的或有相似的颜色，那么这种方法会有一定的局限性。但是，与其关注亮度相似的块，不如考虑使用水平平均值/中值等作为检测书籍之间可能存在的气隙的方法。

我不会为处理二进制图像而烦恼。太繁琐，而且不是很健壮。您可以为某些图像找到解决方案，但可能会花费大量时间来尝试为所有图像找到解决方案。该图像的灰度强度聚类非常重要，您不想丢弃这些数据。在二值化之前设置阈值可能是一件混乱且令人不满意的事情。

您熟悉均值偏移算法吗？它是一种类似于 k-means 聚类的聚类算法，但不需要事先知道项目数 (k)。这可以帮助您对原始灰度图像中的数据进行聚类，并发现存在三个具有合理一致灰度值的不同大块。

使用 Mean Shift 进行图像分割解释

http://docs.opencv.org/trunk/doc/py_tutorials/py_video/py_meanshift/py_meanshift.html

http://saravananthirumuruganathan.wordpress.com/2010/04/01/introduction-to-mean-shift-algorithm/

于 2013-11-09T01:13:22.130 回答
1

对我来说，这是形态过滤中的经典问题。我们可以看到，随着我们提高阈值，我们可以看到书籍的不同部分。

阈值为 100 阈值 150和 阈值 172

现在一些基于灰度分量的面积/大小的灰度过滤可以提供一些很好的分割。这被称为形态过滤中的区域开口：http: //www.mathworks.fr/fr/help/images/ref/bwareaopen.html

这基本上删除了大小/面积小于某个参数的连接组件。因此，要在此处看到这一点，这里有一些上述阈值的过滤图像。

区域开闭

另一个灰度

    x150 = I>150;
    x100 = I>100;
    x172 = I>172;
    x150_op = bwareaopen(x150,80);
    x172_op = bwareaopen(x172,300);
    figure, imshow(~bwareaopen(x150_op,150); %area closing
    figure, imshow(~bwareaopen(x172_op,300); %area closing

因此，正如我们所见，我们需要一个连接区域开口滤波器，它计算具有特定区域的连接灰度组件。我想你可以为这些书调整这个！

另一个提供相同运算符的库和一些示例：http ://www.mmorph.com/mxmorph/html/morph/mmareaopen.html

祝你好运！

于 2013-10-29T18:02:49.733 回答
1

在 x 值处沿 y 轴进行切片，这样您就有了很好的边界。然后使用“conv”找到该一维向量（包含 0 和 1）与奇数高斯函数的中心部分的卷积。这就像一个边缘滤波器，但对噪声具有鲁棒性。该卷积将为您提供一堆不规则间隔的峰。找到峰，数一数。每一个山峰都是两本书之间的分界线。（抱歉，如果没有白板，这个简单的过程很难解释。）

“奇数高斯函数的中心部分”= 想象一个正弦函数，在正/负 pi 处截断。但是从正到负的变化更接近阶跃函数。我认为你可以通过卷积高斯和阶跃函数得到你想要的。（再次，抱歉没有白板。）

edit2：这是一些 Matlab 代码，可以交互运行，以便您了解我的意思：

x=[-9.5:1:9.5];
y=[-1 -1 -1 -1 -1 -1 -1 -1 -1 -1 1 1 1 1 1 1 1 1 1 1]; plot(x,y,'.');
g=exp(-x.*x/8); plot(x,g,'.');
odd_g=conv(y,g);plot([-19:19],odd_g,'.')

因此，odd_g（或类似的东西）是您想要与给定 x 处的图像切片进行卷积的东西。

peaks=conv(image_slice,odd_g);

编辑3：假设你有

image_slice=[1 1 1 1 1 1 1 0 0 0 0 0 0 1 1 1 1 1 1 1 0 0 0 0 0 0 0 0 0 0 1 0 1 0 1 1 1 1 1 1 1 1];

并注意到我已经加入了嘈杂的边缘。对于所选值，当您绘制卷积时，

plot(conv(image_slice,odd_g)

您会看到一个边缘的噪声有一个轻微的峰值，但它没有真正的边缘那么大。因此，您会找到峰值并丢弃小于某个截止值的任何值。当然，为odd_g 选择最适合您的数据的参数。

于 2013-10-28T20:36:47.460 回答