Wie extrahiere ich zwei kreisförmige Bereiche aus einem 9000x7000 Pixel -Bild mit Python und OpenCV?

Python und OpenCV extrahieren zwei kreisförmige Bereiche in 9000x7000 Pixelbildern effizient

Die Verarbeitung von Bildern der ultrahoch-hohen Auflösung (wie 9000 x 7000 Pixel) und das Extrahieren spezifischer Formen (wie Kreise) von ihnen ist eine häufige Herausforderung bei der Bildverarbeitung und dem Computervision. Dieser Artikel enthält eine Lösung mit Python- und OpenCV -Bibliotheken, um die zirkulären Bereiche effizient und genau zu extrahieren.

Das Problem mit dem vorhandenen Code ist, dass zu viele Kreise erkannt werden und es unmöglich ist, die beiden erforderlichen Kreisbereiche genau auszuwählen. Zur Verbesserung werden wir die folgenden Strategien anwenden:

1. Bildvorverarbeitung: Skalierung und Rauschreduzierung : Um die Verarbeitungseffizienz zu verbessern, reduzieren wir das Originalbild auf die richtige Größe. Gleichzeitig wird ein Gaußscher Unschärfefilter angewendet, um das Bildrauschen zu verringern, wodurch die Genauigkeit der kreisförmigen Erkennung verbessert wird.

 CV2 importieren
Numph als NP importieren

Image_path = R "C: \ Benutzer \ 17607 \ Desktop \ SMLS Pictures \ pic_20231122151507973.bmp"

# Bild lesen img = cv2.imread (Image_path)

# Zoomen Sie das Bild (passen Sie das Zoomverhältnis gemäß der tatsächlichen Situation an).
scale_percent = 10 # scale zu 1/10 des Originalbildes
width = int (img.shape [1] / scale_percent)
Höhe = int (img.shape [0] / scale_percent)
Dim = (Breite, Höhe)
resized_img = cv2.Resize (IMG, Dim, Interpolation = cv2.inter_area)

# Grayscale Conversion Gray = CV2.CVTCOLOR (RESIZE_IMG, CV2.COLOR_BGR2GRAY)

# GAUSSIANBLURRED = CV2.GAUSSIANBLUR (GRAU, (5, 5), 0)

2. Kantenerkennung: Canny -Algorithmus : Verwenden Sie den Canny Edge -Erkennungsalgorithmus, um Bildkanteninformationen zu extrahieren und auf die nachfolgende kreisförmige Erkennung vorzubereiten.

 # Canny Edge -Erkennungskanten = CV2.Canny (verschwommen, 50, 150)

3. Kreiserkennung: Hough -Transformation : Verwenden Sie Hough Circle -Transformation, um Kreise in Bildern zu erfassen. Der Schlüssel sind Parameteranpassungen, um sicherzustellen, dass nur die beiden Kreise, die wir benötigen, erkannt werden. Hier filtern wir gemäß dem Radius des Kreises und wählen die beiden größten Kreise aus.

 # HoughCircle -Transformationskreise = cv2.houghcircles (Kanten, cv2.hough_gradient, 1, 40, param1 = 50, param2 = 30, minradius = 0, maxradius = 0)

Wenn Kreise nicht sind:
    Kreise = np.uint16 (np.around (Kreise))
    # Wählen Sie zwei größte Kreise = Kreise [0,:]
    Kreise = Kreise [np.argsort (Kreise [:, 2]) [::-1] [: 2]] # Wählen Sie zwei Kreise mit dem größten Radius für I in Kreisen:
        Center_x, Center_y, Radius = i
        # Circle Cv2.circle (gegründet_img, (Center_x, Center_y), Radius, (0, 0, 255), 2)
        cv2.circle (resized_img, (center_x, center_y), 2, (255, 0, 0), 3)

    CV2.Imshow ("Erfassete Kreise", gegründet_img)
    cv2.waitkey (0)
    CV2.DestroyAllwindows ()

In den obigen Schritten können wir die beiden größten kreisförmigen Regionen aus hochauflösenden Bildern effektiv extrahieren und diese durch Visualisierungsergebnisse überprüfen. Es ist zu beachten, dass die Parameter von scale_percent und Hough -Transformation nach dem tatsächlichen Bild angepasst werden müssen, um den besten Erkennungseffekt zu erzielen. Wenn zwei Kreise von ähnlicher Größe sind, kann eine raffiniertere Auswahl auf der Grundlage der Zentralkoordinaten oder anderer Merkmale erforderlich sein.

Das obige ist der detaillierte Inhalt vonWie extrahiere ich zwei kreisförmige Bereiche aus einem 9000x7000 Pixel -Bild mit Python und OpenCV?. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!