Продолжим изучение компьютерного зрения. Начало здесь. Напомню краткое содержание предыдущих уроков. Мы изучили этапы анализ и обработки изображений, установку OpenCV, простейшие действия над изображением, такие как преобразование в черно-белый формат, изменение размеров, накладывание фильтра размытия.
Сегодня продолжим тему обработки изображений. На прошлом уроке мы пытались при помощи размытия удалить из изображения такие дефекты, как гауссовский шум и царапины. С первым что-то более-менее получилось, а вот с царапинами ничего не вышло. Да, кстати, в комментах мне был задан вопрос: «Откуда берется гауссовкий шум?»
Отвечаю:
Гауссовский шум может возникнуть, например, от помех. Или, если у нас было плохое освещение, картинка получилась темная, и мы попытались как-то исправить это, например, увеличить контрастность. Шумы при этом тоже усилятся.
Ладно. Идем дальше. Как же нам быть с царапинами? А для их удаления можно воспользоваться медианным фильтром:
import cv2
my_photo = cv2.imread('MyPhoto1.jpg')
median_image = cv2.medianBlur(my_photo,3)
cv2.imshow('MyPhoto', median_image )
cv2.waitKey(0)
cv2.destroyAllWindows()Вот исходная картинка:
А вот мы применили к ней фильтр 3 на 3:
Как видим, царапины уменьшились. Но не полностью. Попробуем фильтр размером 5 пикселей:
Как видим, с дефектами типа царапин фильтр справляется, хотя не всегда. А с гауссовсикм шумом?
Давайте проверим:
Исходная картинка:
Обработанная медианным фильтром 5:
Как видим, с гауссовским шумом медианный фильтр справляется плохо.
Фильтр на изображение можно наложить и виде линейной свертки с определенной матрицей. Гауссовский фильтр, кстати, частный случай такого линейного фильтра. Как происходит фильтрация? Мы берем скользящее окно, попиксельно умножаем яркость каждого пикселя этого окна на коэффициент в матрице, складываем и результат записываем в центральную точку окна. Потом окно сдвигаем на один пиксель и делаем то же самое. И так пока не пройдем по всему изображению. Например, при помощи фильтра:
Можно повысить резкость изображения:
import cv2
import numpy as np
my_photo = cv2.imread('MyPhoto.jpg')
kernel = np.array([[-1,-1,-1], [-1,9,-1], [-1,-1,-1]])
im = cv2.filter2D(my_photo, -1, kernel)
cv2.imshow('MyPhoto', im )
cv2.waitKey(0)
cv2.destroyAllWindows()Вот как это будет выглядеть:
Среди линейных фильтров есть специальные матричные фильтры, которые подготавливают изображение к следующему этапу – поиску фич. Например, фильтр Собеля:
Вот эффект от применения данного фильтра:
Мы применили его к цветному изображению, но обычно такие фильтры применяют к черно-белому изображению:
import cv2
import numpy as np
my_photo = cv2.imread('MyPhoto.jpg',cv2.IMREAD_GRAYSCALE)
kernel = np.array([[-1,0,1], [-2,0,2], [-1,0,1]])
im = cv2.filter2D(my_photo, -1, kernel)
cv2.imshow('MyPhoto', im )
cv2.waitKey(0)
cv2.destroyAllWindows()И вот как выглядит результат:
Как видим, фильтр Собеля позволяет обозначить на изображении контуры. Правда, только обозначить, а не выделить. Для выделения контуров необходимо повторно обойти изображение, полученного фильтром, и уже на нем найти контуры. Что делать с этими контурами дальше – уже другой вопрос, мы до этого еще доберемся. А пока рассмотрим следующий фильтр – лапласиан:
Вот эффект от его применения (к черно белому изображению):
Как видим, тут контуры обозначены более качественно. Но, тем не менее, это еще не выделение контуров. Это лишь заготовка, называемая контурный препарат. И с ним необходимо так же делать то, что было описано выше: повторно обойти изображение, полученное фильтром, и уже на нем найти контуры.
К счастью, в OpenCV есть функция нахождения контуров, которая делает все, что нужно, чтобы выделить контур. Вот фрагмент кода, который выделяет контур
import cv2
import numpy as np
my_photo = cv2.imread('MyPhoto.jpg')
img_grey = cv2.cvtColor(my_photo,cv2.COLOR_BGR2GRAY)
#зададим порог
thresh = 100
#получим картинку, обрезанную порогом
ret,thresh_img = cv2.threshold(img_grey, thresh, 255, cv2.THRESH_BINARY)
#надем контуры
contours, hierarchy = cv2.findContours(thresh_img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
#создадим пустую картинку
img_contours = np.zeros(my_photo.shape)
#отобразим контуры
cv2.drawContours(img_contours, contours, -1, (255,255,255), 1)
cv2.imshow('contours', img_contours) # выводим итоговое изображение в окно
cv2.waitKey()
cv2.destroyAllWindows()И вот результат работы этой программы:
Если качество выделения контуров не устраивает, можно поиграться с порогом, например, если порог поставить 50, то мы увидим вот такую картинку:
А вот так будет выглядеть контур, если порог сделать 150:
Для наглядности попробуем другую картинку:
Выделив контур (порог 180), мы очень наглядно увидим линии крыш зданий
А теперь снова поговорим о предобработке. Вернемся к медианной фильтрации, и попробуем сначала применить к изображению этот фильтр, а уже потом выделить контур:
import cv2
import numpy as np
my_photo = cv2.imread('DSCN1311.jpg')
median_image = cv2.medianBlur(my_photo,5)
img_grey = cv2.cvtColor(median_image,cv2.COLOR_BGR2GRAY)
#set a thresh
thresh = 180
#get threshold image
ret,thresh_img = cv2.threshold(img_grey, thresh, 255, cv2.THRESH_BINARY)
#find contours
contours, hierarchy = cv2.findContours(thresh_img, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)
#create an empty image for contours
img_contours = np.zeros(my_photo.shape)
# draw the contours on the empty image
cv2.drawContours(img_contours, contours, -1, (255,255,255), 1)
cv2.imshow('contours', img_contours) # выводим итоговое изображение в окно
cv2.waitKey()
cv2.destroyAllWindows()Вот что у нас получится:
Проиграемся с порогом, я поставил 100, и вот мы уже видим на контуре вменяемое очертание здания:
Ладно. Вот выделили мы контур. Что дальше? А дальше уже идет следующий этап: промежуточная фильтрации. Собственно говоря, само выделение контура – это уже начало данного этапа, так как по контуру мы можем обнаружить области интереса. Например, границы, углы. Мы можем даже, используя контур, приступить к третьему этапу – поиск фич.
Что можно сделать с контуром? Например, следующее:
Выявить различные геометрические примитивы (прямые, окружности).
Превратить в цепочки точек и уже их отдельно анализировать.
Описать как граф и применять к нему алгоритмы на графах.
