21

我们目前正在尝试使用 OpenCV C++ 版本中可用的方法检测医疗器械图像中的对象区域。示例图像如下所示： 1

以下是我们正在执行的步骤：

  • 将图像转换为灰度
  • 应用中值滤波器
  • 使用 sobel 滤波器查找边
  • 使用阈值 25 将结果转换为二值图像
  • 骨架化图像以确保我们有整齐的边缘
  • 找到 X 个最大的连通分量

这种方法非常适合图像1，结果如下：

1-结果

  • 黄色边框是检测到的连接组件。
  • 矩形只是为了突出连接组件的存在。
  • 为了得到易于理解的结果，我们只是移除了完全在另一个组件内部的连接组件，所以最终结果是这样的：

1-endResult

到目前为止，一切都很好，但是另一个图像样本使我们的工作变得复杂，如下所示。 2

在物体下面放一条浅绿色的小毛巾会产生这个图像：

2-结果

在像我们之前那样过滤区域之后，我们得到了这个：

2-结果

显然，这不是我们需要的......我们除了这样的东西：

2-预期结果

我正在考虑对找到的最接近的连接组件进行聚类（不知何故！！），这样我们就可以最大限度地减少毛巾存在的影响，但还不知道它是否可行或有人以前尝试过这样的事情？另外，有没有人有更好的想法来克服这种问题？

提前致谢。

4

3 回答 3

25

这是我尝试过的。

在图像中，背景大多是绿色的，背景的面积比前景的面积大得多。因此，如果您获取图像的颜色直方图，则绿色箱将具有更高的值。将此直方图设置为阈值，以便将具有较小值的 bin 设置为零。这样我们很可能会保留绿色（较高值）的箱子并丢弃其他颜色。然后反向投影这个直方图。反投影将突出显示图像中的这些绿色区域。

反投影： 反投影

  • 然后阈值这个反投影。这给了我们背景。

背景（经过一些形态学过滤）： 背景

  • 反转背景以获得前景。

前景（经过一些形态过滤）： 前景

  • 然后找到前景的轮廓。

我认为这给出了一个合理的分割，并且使用它作为掩码，您可以使用像 GrabCut 这样的分割来细化边界（我还没有尝试过）。

编辑： 我尝试了 GrabCut 方法，它确实细化了边界。我已经添加了 GrabCut 分割的代码。

轮廓： 轮廓

使用前景作为掩码的 GrabCut 分割： GC

我将 OpenCV C API 用于直方图处理部分。

// load the color image
IplImage* im = cvLoadImage("bFly6.jpg");

// get the color histogram
IplImage* im32f = cvCreateImage(cvGetSize(im), IPL_DEPTH_32F, 3);
cvConvertScale(im, im32f);

int channels[] = {0, 1, 2};
int histSize[] = {32, 32, 32};
float rgbRange[] = {0, 256};
float* ranges[] = {rgbRange, rgbRange, rgbRange};

CvHistogram* hist = cvCreateHist(3, histSize, CV_HIST_ARRAY, ranges);
IplImage* b = cvCreateImage(cvGetSize(im32f), IPL_DEPTH_32F, 1);
IplImage* g = cvCreateImage(cvGetSize(im32f), IPL_DEPTH_32F, 1);
IplImage* r = cvCreateImage(cvGetSize(im32f), IPL_DEPTH_32F, 1);
IplImage* backproject32f = cvCreateImage(cvGetSize(im), IPL_DEPTH_32F, 1);
IplImage* backproject8u = cvCreateImage(cvGetSize(im), IPL_DEPTH_8U, 1);
IplImage* bw = cvCreateImage(cvGetSize(im), IPL_DEPTH_8U, 1);
IplConvKernel* kernel = cvCreateStructuringElementEx(3, 3, 1, 1, MORPH_ELLIPSE);

cvSplit(im32f, b, g, r, NULL);
IplImage* planes[] = {b, g, r};
cvCalcHist(planes, hist);

// find min and max values of histogram bins
float minval, maxval;
cvGetMinMaxHistValue(hist, &minval, &maxval);

// threshold the histogram. this sets the bin values that are below the threshold to zero
cvThreshHist(hist, maxval/32);

// backproject the thresholded histogram. backprojection should contain higher values for the
// background and lower values for the foreground
cvCalcBackProject(planes, backproject32f, hist);

// convert to 8u type
double min, max;
cvMinMaxLoc(backproject32f, &min, &max);
cvConvertScale(backproject32f, backproject8u, 255.0 / max);

// threshold backprojected image. this gives us the background
cvThreshold(backproject8u, bw, 10, 255, CV_THRESH_BINARY);

// some morphology on background
cvDilate(bw, bw, kernel, 1);
cvMorphologyEx(bw, bw, NULL, kernel, MORPH_CLOSE, 2);

// get the foreground
cvSubRS(bw, cvScalar(255, 255, 255), bw);
cvMorphologyEx(bw, bw, NULL, kernel, MORPH_OPEN, 2);
cvErode(bw, bw, kernel, 1);

// find contours of the foreground
//CvMemStorage* storage = cvCreateMemStorage(0);
//CvSeq* contours = 0;
//cvFindContours(bw, storage, &contours);
//cvDrawContours(im, contours, CV_RGB(255, 0, 0), CV_RGB(0, 0, 255), 1, 2);

// grabcut
Mat color(im);
Mat fg(bw);
Mat mask(bw->height, bw->width, CV_8U);

mask.setTo(GC_PR_BGD);
mask.setTo(GC_PR_FGD, fg);

Mat bgdModel, fgdModel;
grabCut(color, mask, Rect(), bgdModel, fgdModel, GC_INIT_WITH_MASK);

Mat gcfg = mask == GC_PR_FGD;

vector<vector<cv::Point>> contours;
vector<Vec4i> hierarchy;
findContours(gcfg, contours, hierarchy, CV_RETR_LIST, CV_CHAIN_APPROX_SIMPLE, cv::Point(0, 0));
for(int idx = 0; idx < contours.size(); idx++)
{
    drawContours(color, contours, idx, Scalar(0, 0, 255), 2);
}

// cleanup ...

更新：我们可以使用 C++ 接口执行上述操作，如下所示。

const int channels[] = {0, 1, 2};
const int histSize[] = {32, 32, 32};
const float rgbRange[] = {0, 256};
const float* ranges[] = {rgbRange, rgbRange, rgbRange};

Mat hist;
Mat im32fc3, backpr32f, backpr8u, backprBw, kernel;

Mat im = imread("bFly6.jpg");

im.convertTo(im32fc3, CV_32FC3);
calcHist(&im32fc3, 1, channels, Mat(), hist, 3, histSize, ranges, true, false);
calcBackProject(&im32fc3, 1, channels, hist, backpr32f, ranges);

double minval, maxval;
minMaxIdx(backpr32f, &minval, &maxval);
threshold(backpr32f, backpr32f, maxval/32, 255, THRESH_TOZERO);
backpr32f.convertTo(backpr8u, CV_8U, 255.0/maxval);
threshold(backpr8u, backprBw, 10, 255, THRESH_BINARY);

kernel = getStructuringElement(MORPH_ELLIPSE, Size(3, 3));

dilate(backprBw, backprBw, kernel);
morphologyEx(backprBw, backprBw, MORPH_CLOSE, kernel, Point(-1, -1), 2);

backprBw = 255 - backprBw;

morphologyEx(backprBw, backprBw, MORPH_OPEN, kernel, Point(-1, -1), 2);
erode(backprBw, backprBw, kernel);

Mat mask(backpr8u.rows, backpr8u.cols, CV_8U);

mask.setTo(GC_PR_BGD);
mask.setTo(GC_PR_FGD, backprBw);

Mat bgdModel, fgdModel;
grabCut(im, mask, Rect(), bgdModel, fgdModel, GC_INIT_WITH_MASK);

Mat fg = mask == GC_PR_FGD;
于 2015-05-26T14:15:07.507 回答
5

我会考虑几个选项。我的假设是相机不动。我没有使用图像或编写任何代码，所以这主要来自经验。

  • 尝试使用分割算法分离背景，而不是仅仅寻找边缘。高斯混合可以帮助解决这个问题。给定同一区域（即视频）上的一组图像，您可以取消持久的区域。然后，仪器等新项目将弹出。然后可以在 blob 上使用连接的组件。

    • 我会研究分割算法，看看您是否可以优化条件以使其适合您。一项主要工作是确保您的相机稳定，或者您自己进行预处理以稳定图像。

  • 我会考虑使用兴趣点来识别图像中包含大量新材料的区域。鉴于背景比较平淡，针等小物体会产生一堆兴趣点。毛巾应该更稀疏。也许将检测到的兴趣点覆盖在连接的组件足迹上会给您一个“密度”指标，然后您可以对其进行阈值。如果连通分量在该项目的区域中具有较大比例的兴趣点，则它是一个有趣的对象。

    • 在此说明中，您甚至可以使用 Convex Hull 修剪已检测到的对象来清理连接的组件足迹。这可能有助于一些情况，例如医疗器械在毛巾上投射阴影，从而拉伸组件区域。这是一个猜测，但兴趣点绝对可以为您提供更多信息，而不仅仅是边缘。

  • 最后，鉴于您有一个稳定的背景，并且可以看到清晰的对象，我会看看 Bag-of-Features 看看您是否可以检测到图像中的每个单独的对象。这可能很有用，因为这些图像中的对象似乎具有一致的模式。您可以建立一个大的图像数据库，例如针、纱布、剪刀等。然后，OpenCV 中的 BoF 将为您找到这些候选对象。您还可以将其与您正在执行的其他操作混合以比较结果。

    • -
于 2015-05-23T23:48:49.493 回答
0

我还会向您的初始版本提出一个想法。您也可以跳过轮廓，其区域的宽度和高度大于图像宽度和高度的一半。

//take the rect of the contours

Rect rect = Imgproc.boundingRect(contours.get(i));

if (rect.width < inputImageWidth / 2 && rect.height < inputImageHeight / 2)

//then continue to draw or use for next purposes.
于 2017-04-04T06:21:41.503 回答