Python+OpenCV檢測燈光亮點的實現(xiàn)方法

更新時間：2020年11月02日 08:30:34 作者：不脫發(fā)的程序猿

這篇文章主要介紹了Python+OpenCV檢測燈光亮點的實現(xiàn)方法，文中通過示例代碼介紹的非常詳細，對大家的學習或者工作具有一定的參考學習價值，需要的朋友們下面隨著小編來一起學習學習吧

本篇博文分享一篇尋找圖像中燈光亮點（圖像中最亮點）的教程，例如，檢測圖像中五個燈光的亮點并標記，項目效果如下所示：

第1步：導入并打開原圖像，實現(xiàn)代碼如下所示：

# import the necessary packages
from imutils import contours
from skimage import measure
import numpy as np
import argparse
import imutils
import cv2
# construct the argument parse and parse the arguments
ap = argparse.ArgumentParser()
ap.add_argument("-i", "--image", required=True,
 help="path to the image file")
args = vars(ap.parse_args())

第2步：開始檢測圖像中最亮的區(qū)域，首先需要從磁盤加載圖像，然后將其轉換為灰度圖并進行平滑濾波，以減少高頻噪聲，實現(xiàn)代碼如下所示：

#load the image, convert it to grayscale, and blur it
image = cv2.imread(args["image"])
gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)
blurred = cv2.GaussianBlur(gray, (11, 11), 0)

導入亮燈圖像，過濾后效果如下所示：

第3步：閾值化處理，為了顯示模糊圖像中最亮的區(qū)域，將像素值p >= 200，設置為255(白色)，像素值< 200，設置為0(黑色)，實現(xiàn)代碼如下所示：

# threshold the image to reveal light regions in the
# blurred image
thresh = cv2.threshold(blurred, 200, 255, cv2.THRESH_BINARY)[1]

效果如下所示：

第4步：此時可看到圖像中存在噪聲(小斑點)，所以需要通過腐蝕和膨脹操作來清除，實現(xiàn)代碼如下所示：

# perform a series of erosions and dilations to remove
# any small blobs of noise from the thresholded image
thresh = cv2.erode(thresh, None, iterations=2)
thresh = cv2.dilate(thresh, None, iterations=4)

此時“干凈”的圖像如下所示：

第5步：本項目的關鍵步驟是對上圖中的每個區(qū)域進行標記，即使在應用了腐蝕和膨脹后，仍然想要過濾掉剩余的小塊兒區(qū)域。一個很好的方法是執(zhí)行連接組件分析，實現(xiàn)代碼如下所示：

# perform a connected component analysis on the thresholded
# image, then initialize a mask to store only the "large"
# components
labels = measure.label(thresh, neighbors=8, background=0)
mask = np.zeros(thresh.shape, dtype="uint8")
# loop over the unique components
for label in np.unique(labels):
 # if this is the background label, ignore it
 if label == 0:
  continue
 # otherwise, construct the label mask and count the
 # number of pixels 
 labelMask = np.zeros(thresh.shape, dtype="uint8")
 labelMask[labels == label] = 255
 numPixels = cv2.countNonZero(labelMask)
 # if the number of pixels in the component is sufficiently
 # large, then add it to our mask of "large blobs"
 if numPixels > 300:
  mask = cv2.add(mask, labelMask)

上述代碼中，第4行使用scikit-image庫執(zhí)行實際的連接組件分析。measure.lable返回的label和閾值圖像有相同的大小，唯一的區(qū)別就是label存儲的為閾值圖像每一斑點對應的正整數(shù)。

然后在第5行初始化一個掩膜來存儲大的斑點。

第7行開始循環(huán)遍歷每個label中的正整數(shù)標簽，如果標簽為零，則表示正在檢測背景并可以安全的忽略它（9，10行）。否則，為當前區(qū)域構建一個掩碼。

下面提供了一個GIF動畫，它可視化地構建了每個標簽的labelMask。使用這個動畫來幫助你了解如何訪問和顯示每個單獨的組件：

第15行對labelMask中的非零像素進行計數(shù)。如果numPixels超過了一個預先定義的閾值(在本例中，總數(shù)為300像素)，那么認為這個斑點“足夠大”，并將其添加到掩膜中。輸出掩模如下圖所示：

第6步：此時圖像中所有小的斑點都被過濾掉了，只有大的斑點被保留了下來。最后一步是在的圖像上繪制標記的斑點，實現(xiàn)代碼如下所示：

# find the contours in the mask, then sort them from left to
# right
cnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,
 cv2.CHAIN_APPROX_SIMPLE)
cnts = imutils.grab_contours(cnts)
cnts = contours.sort_contours(cnts)[0]
# loop over the contours
for (i, c) in enumerate(cnts):
 # draw the bright spot on the image
 (x, y, w, h) = cv2.boundingRect(c)
 ((cX, cY), radius) = cv2.minEnclosingCircle(c)
 cv2.circle(image, (int(cX), int(cY)), int(radius),
  (0, 0, 255), 3)
 cv2.putText(image, "#{}".format(i + 1), (x, y - 15),
  cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)
# show the output image
cv2.imshow("Image", image)
cv2.waitKey(0)

最后運行程序，可實現(xiàn)燈光亮點的檢測和標記，每個燈泡都被獨特地標上了圓圈，圓圈圍繞著每個單獨的明亮區(qū)域，效果如下所示：