Как найти региональные максимумы / минимумы в изображениях?

Question

Я пытаюсь найти региональный максимум на этом изображении:

, чтобы сделать разрез в своей позиции следующим образом:

Я нашел способ фильтрации региональных максимумов здесь , но я не могу заставить его работать для моего случая.

Мой код:

import numpy as np
import cv2
import skimage as sm
from skimage.morphology import reconstruction
import scipy as sp

img = cv2.imread('img.png', 0)

img = sm.img_as_float(img)
img = sp.ndimage.gaussian_filter(img, 1)

seed = np.copy(img)
seed[1:-1,1:-1] = img.min()
mask = img
dilated = reconstruction(seed, mask, method = 'dilation')
img = img - dilated

cv2.imshow('img', img)
cv2.waitKey()

Мое решение:

import numpy as np
import cv2

img = cv2.imread('img.png', 0)

_, thresh = cv2.threshold(img, 250, 255, cv2.THRESH_BINARY)

rows = np.sum(thresh/255, axis = 1)
ol = len(np.nonzero(rows)[0])
L = []
z = 0
for idx, row in enumerate(rows):
    if row > 0:
        if z > 5 and z < ol - 5:
            L.append(idx)
        z += 1
split = np.min(rows[L])
thresh[np.where(rows == split)[0][0]] = 0

cv2.imshow('img', thresh)
cv2.waitKey()

HansHirse написал более профессиональный подход:

import numpy as np
import cv2

img = cv2.imread('img.png', 0)

_, thresh = cv2.threshold(img, 250, 255, cv2.THRESH_BINARY)

rows = np.sum(thresh/255, axis = 1)
exclude = 5
idx = np.where(rows > 0)[0]
idx = idx[exclude : len(idx) - exclude]
cut = idx[np.argmin(rows[idx])]
thresh[cut] = 0

cv2.imshow('img', thresh)
cv2.waitKey()

Оба результата дают:

Было бы интересно увидеть подход, который не ограничивается горизонтальными пикселями.

Answer 1

Если ваши «хроматиды» (я буду ссылаться на показанную структуру таким образом, потому что она выглядит как единое целое) все выровнены таким образом, вы можете просто посчитать белые пиксели на строку и найти минимум .

Пожалуйста, взгляните на следующий код, который, надеюсь, не требует пояснений:

import cv2
import numpy as np

# Load input image
input = cv2.imread('images/Q6YM9.png', cv2.IMREAD_GRAYSCALE)

# Extract "chromatid" (the structure looks like one...)
_, chromatid = cv2.threshold(input, 250, 255, cv2.THRESH_BINARY)

# Sum row-wise pixel values
rowPixelSum = np.sum(chromatid / 255, axis=1)

# Detect all rows with non-zero elements
ind = np.where(rowPixelSum > 0)[0]

# Exclude n rows at the top and bottom of the "chromatid"
# Caveat: Check for plausibility (index out of bounds, etc.)
nEx = 15
ind = ind[15:len(ind)-nEx]

# Detect index of row with minimum pixel count
cutRow = ind[np.argmin(rowPixelSum[ind])]

# Detect start and end of "chromatid" on row with minimum pixel count
row = np.where(chromatid[cutRow, :] > 0)[0]
xStart = row[0]
xEnd = row[-1]

# For visualization: Draw black line through row with minimum pixel count
cv2.line(input, (xStart, cutRow), (xEnd, cutRow), 0, 3)
cv2.line(chromatid, (xStart, cutRow), (xEnd, cutRow), 0, 3)

# Write output image
cv2.imwrite('images\input.png', input)
cv2.imwrite('images\chromatid.png', chromatid)

Выводы выглядят так:

Если ваши «хроматиды» имеют различные ориентации, можно использовать некоторое вращение до вышеупомянутого кода, основываясь на «главном компоненте» хроматиды.

Надеюсь, это поможет!

Answer 2

Вы можете попытаться использовать морфологическое открытие операцию для разделения этих двух частей после фильтрации региональных максимумов. Используйте ядро ​​большего размера или несколько начальных вызовов в зависимости от толщины минимума вашего региона.

Чтобы найти точную позицию обрезки при открытии , вы можете сделать несколько последующих вызовов операции открытия, пока один большой двоичный объект не разделится на два. Вы можете определить эту позицию, анализируя полученные контуры с помощью cv::detectContours().

Также вы можете найти distanceTransform () полезной. Его результатом является расстояние до ближайшей границы от каждой точки. Идея состоит в том, чтобы выполнить скелетонизацию изображения и взять минимумы результатов distanceTransform() вдоль линии скелета, чтобы найти положение обрезки.

Также вы можете попробовать кластеризацию k-средних с k = 2 на основе положения белого пикселя. Линия разреза будет между кластерами.

Edit: Вам может пригодиться эта страница , так как там обсуждают схожие проблемы. Один из ответов использует cv::convexityDefects(), чтобы найти точки разделения.