Python+OpenCV檢測燈光亮點的實現方法

阿新 • • 發佈：2020-11-03

本篇博文分享一篇尋找影象中燈光亮點（影象中最亮點）的教程，例如，檢測影象中五個燈光的亮點並標記，專案效果如下所示：

第1步：匯入並開啟原影象，實現程式碼如下所示：

# 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：開始檢測影象中最亮的區域，首先需要從磁碟載入影象，然後將其轉換為灰度圖並進行平滑濾波，以減少高頻噪聲，實現程式碼如下所示：

#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)

匯入亮燈影象，過濾後效果如下所示：

Python+OpenCV檢測燈光亮點的實現方法

第3步：閾值化處理，為了顯示模糊影象中最亮的區域，將畫素值p >= 200，設定為255(白色)，畫素值< 200，設定為0(黑色)，實現程式碼如下所示：

# 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：

Python+OpenCV檢測燈光亮點的實現方法

第4步：此時可看到影象中存在噪聲(小斑點)，所以需要通過腐蝕和膨脹操作來清除，實現程式碼如下所示：

# 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,iterations=4)

此時“乾淨”的影象如下所示：

Python+OpenCV檢測燈光亮點的實現方法

第5步：本專案的關鍵步驟是對上圖中的每個區域進行標記，即使在應用了腐蝕和膨脹後，仍然想要過濾掉剩餘的小塊兒區域。一個很好的方法是執行連線元件分析，實現程式碼如下所示：

# 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)

上述程式碼中，第4行使用scikit-image庫執行實際的連線元件分析。measure.lable返回的label和閾值影象有相同的大小，唯一的區別就是label儲存的為閾值影象每一斑點對應的正整數。

然後在第5行初始化一個掩膜來儲存大的斑點。

第7行開始迴圈遍歷每個label中的正整數標籤，如果標籤為零，則表示正在檢測背景並可以安全的忽略它（9，10行）。否則，為當前區域構建一個掩碼。

下面提供了一個GIF動畫，它視覺化地構建了每個標籤的labelMask。使用這個動畫來幫助你瞭解如何訪問和顯示每個單獨的元件：

Python+OpenCV檢測燈光亮點的實現方法

第15行對labelMask中的非零畫素進行計數。如果numPixels超過了一個預先定義的閾值(在本例中，總數為300畫素)，那麼認為這個斑點“足夠大”，並將其新增到掩膜中。輸出掩模如下圖所示：

Python+OpenCV檢測燈光亮點的實現方法

第6步：此時影象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。最後一步是在的影象上繪製標記的斑點，實現程式碼如下所示：

# 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),(0,255),3)
 cv2.putText(image,"#{}".format(i + 1),(x,y - 15),cv2.FONT_HERSHEY_SIMPLEX,0.45,2)
# show the output image
cv2.imshow("Image",image)
cv2.waitKey(0)

最後執行程式，可實現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域，效果如下所示：

Python+OpenCV檢測燈光亮點的實現方法