问题标签 [convexity-defects]

我正在使用 OPENCV 3.2 并且正在处理二进制图像。这是我正在处理的图像。

我正在尝试去除除手部区域以外的所有东西（有凸面缺陷）。我尝试了斑点检测来检测斑点（手除外），但它没有显示任何东西。关于我应该如何进行的任何建议？斑点检测的示例代码是：

我正在尝试使用 Python 和 OpenCV 计算通过荧光显微镜获得的小鼠树突中的树突棘（微小的突起）。

这是我开始的原始图像：

原始图片：

经过一些预处理（下面的代码），我得到了这些轮廓：

带轮廓的原始图片（白色）：

我需要做的是识别所有的突起，得到这样的东西：

原始图片，轮廓为白色，预期计数为红色：

在对图像进行预处理（二值化、阈值化和降低噪声）之后，我打算做的是绘制轮廓并尝试在其中找到凸缺陷。问题的出现是因为一些“刺”（这些突起的技术名称）没有被识别，因为它们在同一个凸面缺陷中凸出在一起，低估了结果。在标记凸面缺陷时，有什么方法可以更“精确”吗？

轮廓以白色标记的原始图像。红点标记用我的代码识别的刺。绿点标记我仍然无法识别的刺：

我的 Python 代码：

我知道我的代码还有很多小问题要解决，但我认为最大的问题是这里介绍的问题。

谢谢你的帮助！并有一个好的

你好。我有上面的图像并使用“findContours”功能。然后我使用“凸缺陷”函数来找到角点。

结果如下。

这段代码的问题是它找不到圆角。你找不到像下面这样的点。

这是我的代码

有人可以制作代码并找到红点吗？请帮忙。

现在我想从内部找到“凸性缺陷”，而不是像这张图片一样：

有人可以帮助我吗？？

我收到此错误：

当我尝试获取图像最大轮廓的凸度缺陷时。这是我正在使用的代码：

OpenCV函数convexityDefects()中用于计算轮廓凸度缺陷的算法是什么？

请描述和说明算法的高级操作及其输入和输出。

我有一个代码，在某些时候我得到一组二维二进制 numpy 数组来表示主要是椭圆和圆的对象（细胞核）

我需要一个关于边缘有多粗糙（锯齿状）的度量。病理学文献中有核轮廓指数：周长/ sqrt（面积）这是有效的，但在我们的例子中，我们特别需要看看周长有多“粗糙”。椭圆和圆形的核轮廓指数是不同的，即使它们都有光滑的边缘。在我们的例子中，一个带有粗糙边缘的圆比一个带有光滑边缘的椭圆更重要。

我考虑过使用此处解释的凸包：我认为在这种情况下，对于许多小凹度（这对我们来说是重要的情况）和一个主要的凹度（这不是那么重要）来说，度量是否相同，就像图片中一样以下。

我也尝试过openCV，但是我发现很难从数学上理解那里实际发生的事情，它看起来非常像skimage凸面外壳，我更愿意坚持使用skimage

所以我一直在尝试找出轮廓及其外壳的缺陷。在查看了一些教程后，我遇到了类似的代码，但无论我如何实现它，这条线cv2.convexityDefects似乎让我跳出了循环，而不是显示视频。该程序在没有缺陷部分的情况下工作，并且我没有在缺陷部分中遇到任何错误，但它似乎只是结束了代码。

如果有人遇到过类似的问题或知道我哪里出错了，那将是一个很大的帮助。

我正在尝试使用OpenCVin检测图像中的手和手指python。

这是我正在使用的代码：

我得到以下结果：

但是，我无法检测到所有手指（我有 5 个手指，我得到了 4 个用红色小圆圈表示的手指）。我不知道问题出在哪里，或者我应该如何检测所有手指。

我正在寻找接近此的结果：

任何帮助表示赞赏。

TLDR：我希望将三角形拟合到回旋镖形物体上，以检测其“头部”，可能使用 python 的opencv.

我有一组回旋镖形状的物体（见下图），它们的大小和内角各不相同。此外，有时“回旋镖”（与真正的回旋镖不同）可能不对称，一条腿比另一条腿长，并且腿上可能有缺陷和孔洞。

我可以准确地提取这些形状的轮廓，现在我正在尝试检测回旋镖所面对的方向（定义为“尖”边缘的方向，下图中用棕色圆点标记的方向）。

到目前为止，我的计划是使用opencv's 凸缺陷法检测内角，并从那里检测方向。然而，我的“回旋镖”并不完美——它们的腿上有时会出现孔洞和缺陷，这会混淆凸缺陷算法。

我的问题是：有没有办法找到适合回旋镖的最适合的三角形（很像最适合的椭圆）？

更新：我自己计算的距离与返回的距离之间的比率似乎cv2正好是 256。这并不奇怪，因为查看他们的代码（此处为第 394 行）显示像素距离乘以 256。我只是不不明白为什么，我猜。

我cv2.convexityDefects用来寻找某种形状的凸缺陷。我希望计算缺陷的深度（到凸包的距离，正如这里很好解释的那样）。

但是，我得到的距离太大而无法理解。我还尝试使用 cv2.convexityDefects 的起点和终点输出参数（参见下面的代码）手动计算距离，并获得更合理的结果。

计算的距离cv2.convexityDefects是，

在大约 500 像素宽的图像的上下文中，这完全没有意义。我究竟做错了什么？

更多信息：

这是我为此测试创建的图像（嗯，我的意思是艺术品），

这是代码：

这是上面代码的输出，当应用于测试图像时：