Как обнаружить линии на изображениях с шумными линиями?

Question

Я генерирую зашумленные изображения с определенными линиями в них, как этот:

Я пытаюсь определить линии, используя OpenCV, но что-то идет не так.

Вот мой код, включая код для создания зашумленных изображений.

import cv2
import numpy as np

def draw_random_lines(img, w, n):
    for i in range(n):
        point1 = (np.random.randint(low = 0, high = w), np.random.randint(low = 0, high = w))
        point2 = (np.random.randint(low = 0, high = w), np.random.randint(low = 0, high = w))
        cv2.line(img,point1,point2,(255,0,0),5)
    x = y = 0
    while(y<w):
        while(x<w):
            if(np.any(img[x, y] != 0)):
                if(np.random.randint(low=0, high=100) < 60):
                    img[x, y] = [255, 255, 255] 
                else:
                    img[x, y] = [0, 0, 0]
            else:
                if(np.random.randint(low=0, high=100) < 95):
                    img[x, y] = [255, 255, 255] 
                else:
                    img[x, y] = [0, 0, 0]
            x+=1
        x=0
        y+=1
    return img

w = 512
img = np.zeros((w,w,3), np.uint8)
img = draw_random_lines(img, w, 5)
cv2.imshow("Original", img)
cv2.imwrite("alo.png", img)
img = cv2.imread("alo.png")

gray = cv2.cvtColor(img,cv2.COLOR_BGR2GRAY)
edges = cv2.Canny(gray,50,150,apertureSize = 3)

lines = cv2.HoughLines(edges,1,np.pi/180,200)
for line in lines:
    for rho,theta in line:
        a = np.cos(theta)
        b = np.sin(theta)
        x0 = a*rho
        y0 = b*rho
        x1 = int(x0 + 1000*(-b))
        y1 = int(y0 + 1000*(a))
        x2 = int(x0 - 1000*(-b))
        y2 = int(y0 - 1000*(a))

        cv2.line(img,(x1,y1),(x2,y2),(0,0,255),2)


cv2.imshow("Detectada", img)

cv2.waitKey(0)

И вот результаты, которые я получаю (очень неправильно):

Итак, как я могу правильно определить линии на этих шумных изображениях?

Answer 1

Поскольку реализации преобразования OpenCV Hough ищут белые пиксели на черном фоне, первым важным шагом для нахождения линий является инвертирование ваших зашумленных изображений.

Небольшое Среднее размытие поможет в дальнейшем избавиться от шума, улучшив таким образом производительность преобразования Хафа.

Для предложенного решения я также использовал метод HoughLinesP вместо HoughLines. (Исходя из моего опыта, вы получите "лучшие" результаты.)

Итак, вот мой фрагмент кода:

import cv2
import numpy as np

# Read input
img = cv2.imread('images/K9YLm.png', cv2.IMREAD_GRAYSCALE)

# Initialize output
out = cv2.cvtColor(img, cv2.COLOR_GRAY2BGR)

# Median blurring to get rid of the noise; invert image
img = 255 - cv2.medianBlur(img, 3)

# Detect and draw lines
lines = cv2.HoughLinesP(img, 1, np.pi/180, 10, minLineLength=50, maxLineGap=30)
for line in lines:
    for x1, y1, x2, y2 in line:
        cv2.line(out, (x1, y1), (x2, y2), (0, 0, 255), 2)

cv2.imshow('out', out)
cv2.waitKey(0)
cv2.destroyAllWindows()

Вывод out выглядит так:

Благодаря использованию HoughLinesP вы получаете довольно большой набор (меньших) строк. Нужно было бы настроить своеобразную «группировку» похожих строк. (Или, может быть, можно просто нарисовать красные линии на отдельном изображении и повторно запустить обнаружение линий.)

Надеюсь, это поможет!