Обнаружение квадрата в изображении

Question

Я пытаюсь обнаружить все изображения кубиков прямоугольной формы, чтобы я мог обрезать их по отдельности и использовать для распознавания.Ниже оригинальное изображение:

Вот код, который я получил, но в нем отсутствуют некоторые квадраты.

def find_squares(img):
    img = cv2.GaussianBlur(img, (5, 5), 0)
    squares = []
    for gray in cv2.split(img):
        for thrs in range(0, 255, 26):
            if thrs == 0:
                bin = cv2.Canny(gray, 0, 50, apertureSize=5)
                bin = cv2.dilate(bin, None)
            else:
                _retval, bin = cv2.threshold(gray, thrs, 255, cv2.THRESH_BINARY)
            bin, contours, _hierarchy = cv2.findContours(bin, cv2.RETR_LIST, cv2.CHAIN_APPROX_SIMPLE)
            for cnt in contours:
                cnt_len = cv2.arcLength(cnt, True)
                cnt = cv2.approxPolyDP(cnt, 0.02*cnt_len, True)
                if len(cnt) == 4 and cv2.contourArea(cnt) > 1000 and cv2.isContourConvex(cnt):
                    cnt = cnt.reshape(-1, 2)
                    max_cos = np.max([angle_cos( cnt[i], cnt[(i+1) % 4], cnt[(i+2) % 4] ) for i in range(4)])
                    #print(cnt)
                    a = (cnt[1][1] - cnt[0][1])

                    if max_cos < 0.1 and a < img.shape[0]*0.8:

                        squares.append(cnt)
    return squares

dice = cv2.imread('img1.png')
squares = find_squares(dice)
cv2.drawContours(dice, squares, -1, (0, 255, 0), 3)

Вот выходные изображения:

Согласно моему анализу, некоторые квадраты отсутствуют из-заотсутствующие плавные края вдоль костей из-за плавного перехода интенсивности между костью и фоном.

Учитывая ограничение, что в квадратной сетке всегда будет 25 кубиков (5 * 5), можем ли мы предсказать недостающие позиции квадратов на основе распознанных квадратов?Или мы можем изменить алгоритм выше для алгоритма обнаружения квадрата?

Answer 1

Вот подход

• Преобразование изображения в оттенки серого и медианное размытие в сглаженное изображение
• Резкость изображения для улучшения краев
• Порог
• Выполнитьморфологические преобразования
• Поиск контуров и фильтра с использованием минимальной / максимальной пороговой области
• Обрезка и сохранение ROI

---

Резкость изображения с помощью cv2.filter2D().Мы используем универсальное ядро ​​повышения резкости, другие ядра можно найти здесь

Теперь порог для получения двоичного изображения

Выполнение морфологических операций

Отсюда мы находим контуры и фильтруем, используяcv2.contourArea() с минимальными / максимальными пороговыми областями.

Мы можем обрезать каждую нужную квадратную область, используя Numpy, и сохранять каждый ROI следующим образом:

x,y,w,h = cv2.boundingRect(c)
ROI = image[y:y+h, x:x+h]
cv2.imwrite('ROI_{}.png'.format(image_number), ROI)

import cv2
import numpy as np

image = cv2.imread('1.png')

gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blur = cv2.medianBlur(gray, 5)
sharpen_kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
sharpen = cv2.filter2D(blur, -1, sharpen_kernel)

thresh = cv2.threshold(sharpen,160,255, cv2.THRESH_BINARY_INV)[1]
kernel = cv2.getStructuringElement(cv2.MORPH_RECT, (3,3))
close = cv2.morphologyEx(thresh, cv2.MORPH_CLOSE, kernel, iterations=2)

cnts = cv2.findContours(close, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)
cnts = cnts[0] if len(cnts) == 2 else cnts[1]

min_area = 100
max_area = 1500
image_number = 0
for c in cnts:
    area = cv2.contourArea(c)
    if area > min_area and area < max_area:
        x,y,w,h = cv2.boundingRect(c)
        ROI = image[y:y+h, x:x+h]
        cv2.imwrite('ROI_{}.png'.format(image_number), ROI)
        cv2.rectangle(image, (x, y), (x + w, y + h), (36,255,12), 2)
        image_number += 1

cv2.imshow('sharpen', sharpen)
cv2.imshow('close', close)
cv2.imshow('thresh', thresh)
cv2.imshow('image', image)
cv2.waitKey()

Answer 2

Эта дополнительная информация абсолютно золотая. Да, учитывая матрицу костей 5x5, вы можете неплохо распределить позиции. Кости, которые вы можете определить, дают вам центр, размер и ориентацию костей. Просто продолжайте эти шаблоны вдоль обеих осей. Для вашего второго прохода увеличьте контраст в каждой «области интереса», где вы ожидаете найти край douse (никогда не говорите «умри!»). В пределах нескольких пикселей вы знаете, где будут находиться края: просто ослабьте изображение, пока не определите эти края.