Как найти наиболее плотные области изображения?

Ответ 1

Если у вас есть доступ к Image Processing Toolbox, вы можете воспользоваться рядом фильтрующих и морфологических операций, которые он содержит. Здесь вы можете подойти к своей проблеме, используя функции imfilter, imclose и imregionalmax:

% Load and plot the image data:
imageData = imread('lattice_pic.jpg');  % Load the lattice image
subplot(221);
imshow(imageData);
title('Original image');

% Gaussian-filter the image:
gaussFilter = fspecial('gaussian', [31 31], 9);  % Create the filter
filteredData = imfilter(imageData, gaussFilter);
subplot(222);
imshow(filteredData);
title('Gaussian-filtered image');

% Perform a morphological close operation:
closeElement = strel('disk', 31);  % Create a disk-shaped structuring element
closedData = imclose(filteredData, closeElement);
subplot(223);
imshow(closedData);
title('Closed image');

% Find the regions where local maxima occur:
maxImage = imregionalmax(closedData);
maxImage = imdilate(maxImage, strel('disk', 5));  % Dilate the points to see
                                                  % them better on the plot
subplot(224);
imshow(maxImage);
title('Maxima locations');

И вот изображение, созданное кодом:

Чтобы все выглядело хорошо, я просто пытался попробовать несколько разных комбинаций параметров для фильтра Гаусса (созданного с помощью fspecial) и структурирующий элемент (созданный с помощью strel). Тем не менее, эта небольшая часть проб и ошибок дала очень хороший результат.

ПРИМЕЧАНИЕ. Изображение, возвращенное из imregionalmax, не всегда имеет только один пиксель, установленный в 1 (для указания максимума). Выходное изображение часто содержит кластеры пикселей, поскольку соседние пиксели во входном изображении могут иметь одинаковые значения и поэтому считаются как максимальные. В приведенном выше коде я также расширил эти точки imdilate, чтобы упростить их просмотр на изображении, что делает еще более крупный кластер пикселей с центром по максимумам. Если вы хотите уменьшить кластер пикселей до одного пикселя, вы должны удалить шаг дилатации и изменить изображение другими способами (добавьте шум к результату или отфильтруйте его, затем найдите новые максимумы и т.д.).

Ответ 2

если у вас есть панель инструментов обработки изображений, размыте ее с помощью гауссовского фильтра, а затем найдите пики/экстремумы.

изменяют размер гауссовского фильтра, чтобы получить количество "плотных" областей, которые вы хотите.

Ответ 3

Скользящее окно (простое, но медленное)

Вы можете создать скользящее окно (например, размер 10x10 пикселей), которое итератируется над изображением, и для каждой позиции вы подсчитываете количество белых пикселей в этом поле 10x10 и сохраняете позиции с наивысшим количеством отсчетов.

Весь этот процесс O (n * m), где n - количество пикселей изображения, а m - размер скользящего окна.

Другими словами, вы свернете изображение с означают фильтр (здесь фильтр коробки), а затем использовать экстремумы.

Скользящее окно (быстрое)

Сначала вычислите таблицу суммированных областей, которая может быть выполнена очень эффективно за один проход:

• создать 2D-массив sat с тем же размером, что и исходное изображение img.

• Итерации по каждому индексу и вычисления для каждого индекса x и y

  sat[x, y] = img[x, y] + sat[x-1, y] + sat[x, y-1] - sat[x-1, y-1]
  

  Например, если изображение темное, а 1 - белое, это результат:

     img            sat
  0 0 0 1 0 0   0 0 0 1 1 1 
  0 0 0 1 0 0   0 0 0 2 2 2
  0 1 1 1 0 0   0 1 2 5 5 5
  0 1 0 0 0 0   0 2 3 6 6 6
  0 0 0 0 0 0   0 2 3 6 6 6
  

• Теперь перебираем индексы таблицы суммированных областей с помощью скользящего окна и вычисляем количество белых пикселей в нем, используя углы A, B, C, D скользящего окна:

     img            sat          window
  0 0 0 1 0 0   0 0 0 1 1 1   0 A-----B 1 
  0 0 0 1 0 0   0 0 0 2 2 2   0 | 0 2 | 2
  0 1 1 1 0 0   0 1 2 5 5 5   0 | 2 5 | 5
  0 1 0 0 0 0   0 2 3 6 6 6   0 | 3 6 | 6
  0 0 0 0 0 0   0 2 3 6 6 6   0 D-----C 6
  

  Вычислить

  density(x', y') = sat(A) + sat(C) - sat(B) - sat(D)
  

  В приведенном выше примере

  density(1, 0) = 0 + 6 - 1 - 2 = 3
  

Для этого процесса требуется временное изображение, но оно просто O (n), поэтому скорость не зависит от размера скользящего окна.

Ответ 4

Возможно наивный подход:

Вы определяете квадрат n * n, который является максимальным размером области, в которой вы измеряете плотность. Для каждой точки изображения вы рассматриваете точку как центр квадрата и подсчитываете количество черных (b) и белых (w) точек. Используя разницу b-w, вы можете определить, какой квадрат является самым белым.

Наиболее плотные области должны определяться нечетким образом. Если одна область имеет 600 белых точек и еще 599, то для человеческого глаза они имеют одинаковую плотность. 600 на 100% плотнее, а 599 - на 99% плотно и 1% не плотно. Используйте эпсилон для этого.

n может быть предопределен или основан на некоторой функции (т.е. в процентах от размера изображения).

Вы также можете использовать круг/эллипс вместо квадрата/прямоугольника. Выберите то, что лучше всего соответствует вашим потребностям