Подсчитайте количество объектов, используя алгоритм водораздела - Scikit-image

Я пытаюсь найти количество объектов на данном изображении, используя сегментацию водораздела. Рассмотрим, например, изображение монет. Здесь я хотел бы знать количество монет на изображении. Я реализовал код, доступный в документации Scikit-image, и подправил с его помощью немного и получил результаты, аналогичные показанным на странице документации.

После подробного изучения функций, используемых в коде, я обнаружил, что ndimage.label() также возвращает количество уникальных объектов, найденных на изображении (упомянутых в его документации), но когда я печатаю это значение, я получаю 53, что очень много. по сравнению с количеством монет на реальном изображении.

Может кто-нибудь предложить какой-нибудь метод, чтобы найти количество объектов на изображении.


opencv image-processing scikit-image watershed
person Rahul Patel    schedule 30.01.2015    source источник
comment
Не могли бы вы предоставить пример изображения?   -  person Stefan van der Walt    schedule 30.01.2015
comment
Я прикрепил ссылку на входное изображение в самом вопросе. Окончательный результат доступен по ссылке. Вот код ссылка   -  person Rahul Patel    schedule 30.01.2015

Ответы (1)


arrow_upward
2
arrow_downward

Вот версия вашего кода, которая подсчитывает монеты одним из двух способов: а) напрямую сегментируя изображение расстояния и б) сначала выполняя водораздел и отбрасывая крошечные пересекающиеся области.

from __future__ import print_function

import numpy as np
import matplotlib.pyplot as plt
from skimage import io, color, filter as filters
from scipy import ndimage

from skimage.morphology import watershed
from skimage.feature import peak_local_max
from skimage.measure import regionprops, label

image = color.rgb2gray(io.imread('water_coins.jpg', plugin='freeimage'))
image = image < filters.threshold_otsu(image)

distance = ndimage.distance_transform_edt(image)

# Here's one way to measure the number of coins directly
# from the distance map
coin_centres = (distance > 0.8 * distance.max())
print('Number of coins (method 1):', np.max(label(coin_centres)))

# Or you can proceed with the watershed labeling
local_maxi = peak_local_max(distance, indices=False, footprint=np.ones((3, 3)),
                            labels=image)


markers, num_features = ndimage.label(local_maxi)
labels = watershed(-distance, markers, mask=image)

# ...but then you have to clean up the tiny intersections between coins
regions = regionprops(labels)
regions = [r for r in regions if r.area > 50]

print('Number of coins (method 2):', len(regions) - 1)

fig, axes = plt.subplots(ncols=3, figsize=(8, 2.7))
ax0, ax1, ax2 = axes

ax0.imshow(image, cmap=plt.cm.gray, interpolation='nearest')
ax0.set_title('Overlapping objects')
ax1.imshow(-distance, cmap=plt.cm.jet, interpolation='nearest')
ax1.set_title('Distances')
ax2.imshow(labels, cmap=plt.cm.spectral, interpolation='nearest')
ax2.set_title('Separated objects')

for ax in axes:
    ax.axis('off')

fig.subplots_adjust(hspace=0.01, wspace=0.01, top=1, bottom=0, left=0,
                    right=1)
plt.show()
person Stefan van der Walt    schedule 03.02.2015