Python+OpenCV 检测灯光亮点

不脱发的程序猿

关注

发布于: 2021 年 03 月 29 日

本篇博文分享一篇寻找图像中灯光亮点（图像中最亮点）的教程，例如，检测图像中五个灯光的亮点并标记，项目效果如下所示：

第 1 步：导入并打开原图像，实现代码如下所示：

# import the necessary packagesfrom imutils import contoursfrom skimage import measureimport numpy as npimport argparseimport imutilsimport cv2# construct the argument parse and parse the argumentsap = argparse.ArgumentParser()ap.add_argument("-i", "--image", required=True,  help="path to the image file")args = vars(ap.parse_args())

复制代码

第 2 步：开始检测图像中最亮的区域，首先需要从磁盘加载图像，然后将其转换为灰度图并进行平滑滤波，以减少高频噪声，实现代码如下所示：

#load the image, convert it to grayscale, and blur itimage = cv2.imread(args["image"])gray = cv2.cvtColor(image, cv2.COLOR_BGR2GRAY)blurred = cv2.GaussianBlur(gray, (11, 11), 0)

复制代码

导入亮灯图像，过滤后效果如下所示：

第 3 步：阈值化处理，为了显示模糊图像中最亮的区域，将像素值 p >= 200，设置为 255(白色)，像素值< 200，设置为 0(黑色)，实现代码如下所示：

# threshold the image to reveal light regions in the# blurred imagethresh = cv2.threshold(blurred, 200, 255, cv2.THRESH_BINARY)[1]

复制代码

效果如下所示：

第 4 步：此时可看到图像中存在噪声(小斑点)，所以需要通过腐蚀和膨胀操作来清除，实现代码如下所示：

# perform a series of erosions and dilations to remove# any small blobs of noise from the thresholded imagethresh = cv2.erode(thresh, None, iterations=2)thresh = cv2.dilate(thresh, None, iterations=4)

复制代码

此时“干净”的图像如下所示：

第 5 步：本项目的关键步骤是对上图中的每个区域进行标记，即使在应用了腐蚀和膨胀后，仍然想要过滤掉剩余的小块儿区域。一个很好的方法是执行连接组件分析，实现代码如下所示：

# perform a connected component analysis on the thresholded# image, then initialize a mask to store only the "large"# componentslabels = measure.label(thresh, neighbors=8, background=0)mask = np.zeros(thresh.shape, dtype="uint8")# loop over the unique componentsfor label in np.unique(labels):  # if this is the background label, ignore it  if label == 0:    continue  # otherwise, construct the label mask and count the  # number of pixels   labelMask = np.zeros(thresh.shape, dtype="uint8")  labelMask[labels == label] = 255  numPixels = cv2.countNonZero(labelMask)  # if the number of pixels in the component is sufficiently  # large, then add it to our mask of "large blobs"  if numPixels > 300:    mask = cv2.add(mask, labelMask)

复制代码

上述代码中，第 4 行使用 scikit-image 库执行实际的连接组件分析。measure.lable 返回的 label 和阈值图像有相同的大小，唯一的区别就是 label 存储的为阈值图像每一斑点对应的正整数。

然后在第 5 行初始化一个掩膜来存储大的斑点。

第 7 行开始循环遍历每个 label 中的正整数标签，如果标签为零，则表示正在检测背景并可以安全的忽略它（9，10 行）。否则，为当前区域构建一个掩码。

下面提供了一个 GIF 动画，它可视化地构建了每个标签的 labelMask。使用这个动画来帮助你了解如何访问和显示每个单独的组件：

第 15 行对 labelMask 中的非零像素进行计数。如果 numPixels 超过了一个预先定义的阈值(在本例中，总数为 300 像素)，那么认为这个斑点“足够大”，并将其添加到掩膜中。输出掩模如下图所示：

第 6 步：此时图像中所有小的斑点都被过滤掉了，只有大的斑点被保留了下来。最后一步是在的图像上绘制标记的斑点，实现代码如下所示：

# find the contours in the mask, then sort them from left to# rightcnts = cv2.findContours(mask.copy(), cv2.RETR_EXTERNAL,  cv2.CHAIN_APPROX_SIMPLE)cnts = imutils.grab_contours(cnts)cnts = contours.sort_contours(cnts)[0]# loop over the contoursfor (i, c) in enumerate(cnts):  # draw the bright spot on the image  (x, y, w, h) = cv2.boundingRect(c)  ((cX, cY), radius) = cv2.minEnclosingCircle(c)  cv2.circle(image, (int(cX), int(cY)), int(radius),    (0, 0, 255), 3)  cv2.putText(image, "#{}".format(i + 1), (x, y - 15),    cv2.FONT_HERSHEY_SIMPLEX, 0.45, (0, 0, 255), 2)# show the output imagecv2.imshow("Image", image)cv2.waitKey(0)