Comment extraire deux zones circulaires à partir d'une image de 9000x7000 pixels en utilisant Python et OpenCV?

Python et OpenCV extraire efficacement deux zones circulaires dans des images de pixels 9000x7000

Le traitement des images à ultra-haute résolution (tels que 9000x7000 pixels) et l'extraction de formes spécifiques (telles que les cercles) est un défi commun dans le traitement d'image et la vision par ordinateur. Cet article fournit une solution utilisant des bibliothèques Python et OpenCV pour extraire efficacement et avec précision les zones circulaires cibles.

Le problème avec le code existant est qu'il y a trop de cercles détectés et qu'il est impossible de sélectionner avec précision les deux zones de cercle requises. Pour l'amélioration, nous adopterons les stratégies suivantes:

1. Prétraitement d'image: mise à l'échelle et réduction du bruit : Premièrement, pour améliorer l'efficacité du traitement, nous réduisons l'image d'origine à la bonne taille. Dans le même temps, un filtre de flou gaussien est appliqué pour réduire le bruit de l'image, améliorant ainsi la précision de la détection circulaire.

 Importer CV2
Importer Numpy comme NP

image_path = r "C: \ Users \ 17607 \ Desktop \ smls images \ pic_20231122151507973.bmp"

# Lire l'image img = cv2.imread (image_path)

# Zoom l'image (ajustez le rapport zoom en fonction de la situation réelle)
scale_percent = 10 # échelle à 1/10 de l'image d'origine
width = int (img.shape [1] / scale_percent)
height = int (img.shape [0] / scale_percent)
dim = (largeur, hauteur)
redimense_img = cv2.resize (img, dim, interpolation = cv2.inter_area)

# GraySCale Conversion Gray = CV2.CVTCOLOR (Residized_IMG, CV2.COLOR_BGR2GRAY)

# GaussianBlurred = Cv2.GaussianBlur (Gray, (5, 5), 0)

2. Détection des bords: algorithme de pointe : utilisez l'algorithme de détection de bord radieux pour extraire les informations de bord de l'image et préparez-vous à la détection circulaire ultérieure.

 # Bords de détection de bord Canny = CV2.Canny (flou, 50, 150)

3. Détection du cercle: Transformation de Hough : Utilisez la transformation du cercle Hough pour détecter les cercles en images. La clé est des ajustements de paramètres pour garantir que seuls les deux cercles dont nous avons besoin sont détectés. Ici, nous filtrons selon le rayon du cercle et sélectionnons les deux plus grands cercles.

 # HoughCircle Transform Circles = CV2.HoughCircles (bords, cv2.Hough_gradient, 1, 40, param1 = 50, param2 = 30, Minradius = 0, Maxradius = 0)

Si les cercles ne sont pas nul:
    cercles = np.uint16 (np.around (cercles))
    # Sélectionnez deux plus grands cercles = cercles [0 ,:]
    cercles = cercles [np.argsort (cercles [:, 2]) [:: - 1] [: 2]] # sélectionnez deux cercles avec le plus grand rayon pour i en cercles:
        Center_X, Center_Y, Radius = I
        # Draw Circle CV2.Circle (Residise_IMG, (Centre_X, Center_Y), Radius, (0, 0, 255), 2)
        CV2.Circle (Residized_img, (Centre_X, Center_Y), 2, (255, 0, 0), 3)

    cv2.imshow ("cercles détectés", Residize_img)
    CV2.WaitKey (0)
    cv2.DestRoyAllWindows ()

Grâce aux étapes ci-dessus, nous pouvons extraire efficacement les deux plus grandes régions circulaires à partir d'images haute résolution et les vérifier par les résultats de la visualisation. Il convient de noter que les paramètres de la transformation scale_percent et Hough doivent être ajustés en fonction de l'image réelle pour obtenir le meilleur effet de détection. Si deux cercles sont de taille similaire, un choix plus raffiné peut être requis en fonction des coordonnées centrales ou d'autres fonctionnalités.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!