稳固且可自动滴定

Question

我正在尝试对一组灰度图像执行图像分析，如下图所示：

主要目标是能够测量椭圆形液滴的尺寸并确定其中心坐标。我已经在openCV和scikit-image中尝试了霍夫循环变换。与openCV相比，到目前为止，我所看到的所有scikit图像示例的运行速度都非常慢。

我在这段代码中取得了一定的成功（摘自示例）：

img = read_img[600:,:]

img = cv2.medianBlur(img,5)

cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR)

circles = cv2.HoughCircles(img,cv2.HOUGH_GRADIENT,1,30,

            param1=45,param2=20,minRadius=1,maxRadius=45)

circles = np.uint16(np.around(circles))

for i in circles[0,:]:

    # draw the outer circle

    cv2.circle(cimg,(i[0],i[1]),i[2],(0,255,0),2)

    # draw the center of the circle

    cv2.circle(cimg,(i[0],i[1]),2,(0,0,255),3)

cv2.imshow('detected circles',cimg)

fig, ax = plt.subplots(ncols=1, nrows=1, figsize=(20, 20))

ax.imshow(cimg)

可以检测主要液滴，但无法捕获三个较小的液滴。

我能够构建的最佳阈值是针对openCV的这些参数

th2 = cv2.adaptiveThreshold(img,255,cv2.ADAPTIVE_THRESH_MEAN_C,\cv2.THRESH_BINARY,15,5)

但是，我仍然无法使用上面的代码找到较小的液滴。

我有两千张要处理的图像。我需要该算法能够自动找到用于变换或阈值的最佳参数。到目前为止，我还不知道如何实现这样的目标。

任何建议的适当实施将不胜感激！

Answer 1

我只是建议了可能的预处理步骤，而不是完整的解决方案。您可以在图像的绿色通道上执行自适应阈值处理。代码：img = cv2.imread('C:/Users/Jackson/Desktop/droplet.jpg', 1)#--- Resized the image to half of its original dimension --img = cv2.resize(img, (0, 0), fx = 0.5, fy = 0.5)#--- I narrowed down to these values after some rigorous trial-and-error ---th3 = cv2.adaptiveThreshold(img[:,:,1], 255, cv2.ADAPTIVE_THRESH_GAUSSIAN_C,\            cv2.THRESH_BINARY, 63, 5)cv2.namedWindow('Original', 0)cv2.imshow('Original', img) cv2.namedWindow('th3', 0)cv2.imshow('th3', th3)         cv2.waitKey()cv2.destroyAllWindows()结果：您可以从这里继续。