Wie findet ich effizient weiße kreisförmige Bereiche in hochauflösenden Bildern?

Lokale weiße kreisförmige Ziele genau in hochauflösenden Bildern

Bei der Verarbeitung ultrahocher Auflösungsbilder (z. B. 9000 x 7000 Pixel) ist es entscheidend, die darin enthaltenen weißen kreisförmigen Bereiche schnell und genau zu identifizieren. Dieser Artikel basiert auf Python- und OpenCV -Bibliotheken und bietet eine Optimierungslösung, um solche Probleme mit der Bildverarbeitung effektiv zu lösen.

Der ursprüngliche Code wird direkt auf hochauflösende Bilder mit Ineffizienz angewendet. Daher müssen wir den Verarbeitungsprozess optimieren und die Genauigkeit und Geschwindigkeit der Erkennung verbessern.

Detaillierte Erklärung der Optimierungsstrategie

1. Bildgrößenanpassung: Um die Rechenkomplexität zu verringern, wird das Bild zuerst skaliert. Verwenden Sie die Funktion cv2.resize() , um das Bild zu ändern. Reduzieren Sie das Bild beispielsweise auf ein Zehntel des Originalbildes.

    src = cv2.imread (Image_path)
   scale_factor = 0,1
   REHIZE_IMAGE = CV2.RESIZE (SRC, NONE, FX = SAME_FACTOR, FY = SAME_FACTOR)

2. Graustufenkonvertierung und Schwellenwertsegmentierung: Umwandeln Sie das skalierte Bild in eine Graustufenkarte und verwenden Sie die Schwellensegmentierung, um den weißen Bereich zu extrahieren. Dieser Schritt verbessert den Kontrast des Zielbereichs.

    Gray = cv2.cvtcolor (resized_image, cv2.color_bgr2gray)
   _, thresh = cv2.Threshold (Gray, 200, 255, CV2.Thresh_Binary)

3. Morphologische Verarbeitung: Verwenden Sie den morphologischen geschlossenen Betrieb ( cv2.MORPH_CLOSE ), um die kleinen Lücken im weißen Bereich zu verbinden, um eine vollständige kreisförmige Kontur zu bilden, wodurch die Zuverlässigkeit der Erkennung verbessert wird.

    kernel = np.ones ((5, 5), np.uint8)
   Schließen = cv2.morphologyex (Thresh, cv2.morph_close, Kernel)

4. HoughCircle -Transformation: Verwenden Sie HoughCircle -Transformation ( cv2.HoughCircles ), um Kreise in einem Bild zu erfassen. Die Parameter müssen gemäß den tatsächlichen Bedingungen angepasst werden, um den besten Erkennungseffekt zu erzielen.

    Kreise = CV2.Houghcircles (Schließen, CV2.hough_gradient, 1, 20, param1 = 50, param2 = 30, minradius = 0, maxradius = 0)
   Wenn Kreise nicht sind:
       Kreise = np.uint16 (np.around (Kreise))
       für i in Kreisen [0,:]:
           cv2.circle (gegründete_image, (i [0], i [1]), i [2], (0, 255, 0), 2)
           cv2.circle (dresized_image, (i [0], i [1]), 2, (0, 0, 255), 3)

5. Die Ergebnisse werden angezeigt: Schließlich wird das verarbeitete Bild angezeigt und der erkannte kreisförmige Bereich markiert.

    CV2.Imshow ("Erkennete Kreise", angegriffene Größe)
   cv2.waitkey (0)
   CV2.DestroyAllwindows ()

In den obigen Schritten können wir weiße kreisförmige Bereiche in hochauflösenden Bildern effizient und genau identifizieren. Es ist zu beachten, dass der Schwellenwert und die Parameter der Hough-Transformation entsprechend dem spezifischen Bild fein abgestimmt werden müssen, um die besten Ergebnisse zu erzielen.

Das obige ist der detaillierte Inhalt vonWie findet ich effizient weiße kreisförmige Bereiche in hochauflösenden Bildern?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!