在Python中如何優化處理高分辨率圖片以精確查找白色圓形區域？

Python高效處理高分辨率圖像，精准定位白色圓形區域

本文探討如何使用Python和OpenCV高效處理9000x7000像素的高分辨率圖像，精確查找其中的兩個白色圓形區域。 原始代碼存在漏檢和誤檢問題，以下提供優化方案。

問題描述

目標：在一張高分辨率圖像中精准定位兩個白色圓形區域。 現有代碼使用霍夫圓變換，但結果不理想，存在大量誤判。

優化策略

為了提高檢測精度，需要對圖像進行預處理，並採用更魯棒的檢測方法。 以下步驟逐步優化：

1. 圖像預處理:高分辨率圖像處理耗時，因此需要優化。首先，讀取圖像時，可以考慮縮小圖像尺寸，降低計算複雜度，但需注意尺寸縮小比例與精度之間的平衡。可以使用cv2.resize函數，並選擇合適的插值方法（例如cv2.INTER_AREA用於縮小）。

2. 增強對比度:為了突出白色圓形區域，可以增強圖像對比度。 可以使用直方圖均衡化( cv2.equalizeHist )或CLAHE (Contrast Limited Adaptive Histogram Equalization, cv2.createCLAHE )。 CLAHE能更好地處理局部對比度差異。

3. 閾值分割:將圖像轉換為灰度圖後，使用自適應閾值分割( cv2.adaptiveThreshold )，而不是簡單的全局閾值分割。自適應閾值分割可以更好地適應圖像不同區域的亮度變化。 可以選擇合適的自適應方法（例如cv2.ADAPTIVE_THRESH_GAUSSIAN_C ）和塊大小。

4. 形態學操作:使用形態學開運算( cv2.morphologyEx , cv2.MORPH_OPEN )去除圖像中的噪點和細小雜質，使圓形區域更清晰。 需要選擇合適的結構元素大小。

5. 輪廓檢測和篩選:使用cv2.findContours函數檢測圖像輪廓。 篩選輪廓時，可以根據輪廓面積、周長、圓形度等特徵來排除乾擾項，只保留符合白色圓形特徵的輪廓。 圓形度可以使用輪廓面積和周長計算得到。

6. 最小外接圓:對於篩選後的輪廓，可以使用cv2.minEnclosingCircle函數擬合最小外接圓，得到圓心坐標和半徑。

改進後的代碼框架(需根據實際圖像調整參數):

 import cv2
import numpy as np

image_path = r"C:\Users\17607\Desktop\smls pictures\Pic_20231122151507973.bmp"

img = cv2.imread(image_path)
img_resized = cv2.resize(img, (img.shape[1] // 4, img.shape[0] // 4), interpolation=cv2.INTER_AREA) #調整大小，例如縮小到1/4

gray = cv2.cvtColor(img_resized, cv2.COLOR_BGR2GRAY)
clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))
gray = clahe.apply(gray)

thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C, cv2.THRESH_BINARY, 11, 2)

kernel = np.ones((5,5), np.uint8)
opening = cv2.morphologyEx(thresh, cv2.MORPH_OPEN, kernel)

contours, _ = cv2.findContours(opening, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

circles = []
for cnt in contours:
    area = cv2.contourArea(cnt)
    perimeter = cv2.arcLength(cnt, True)
    if perimeter > 0: #避免除零錯誤circularity = 4 * np.pi * area / (perimeter ** 2)
        if area > 100 and circularity > 0.7: #根據實際情況調整閾值(x,y),radius = cv2.minEnclosingCircle(cnt)
            circles.append(((int(x), int(y)), int(radius)))

# 繪製結果(記得將坐標和半徑根據縮放比例調整回原圖大小)
for (x,y),radius in circles:
    cv2.circle(img, (x*4, y*4), radius*4, (0,255,0), 2) # 縮放比例為4，記得根據實際情況修改cv2.imshow('Detected Circles', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

注意:代碼中的參數（例如閾值、形態學操作的核大小、面積和圓形度閾值）需要根據實際圖像進行調整，才能獲得最佳結果。 建議逐步調整參數，並觀察結果。 此外，考慮添加異常處理機制，例如處理圖像讀取失敗的情況。 最後，切記將檢測結果的坐標和半徑根據縮放比例調整回原圖大小。

以上是在Python中如何優化處理高分辨率圖片以精確查找白色圓形區域？的詳細內容。更多資訊請關注PHP中文網其他相關文章！