Возможный дубликат:
Обнаружение тонких линий в размытом изображении< /а>
Итак, как следует из названия, я пытаюсь определить границы закономерностей. На прикрепленных изображениях вы можете увидеть три разных шаблона.
Я пытаюсь разделить эти три, скажем, на 3 отдельных изображения. В зависимости от того, куда пойдут ответы, я загружу больше изображений, если это необходимо. И идея, и код будут полезны.
Вы можете решить (для некоторых значений «решить») эту проблему, используя морфологию. Во-первых, чтобы сделать изображение более однородным, удалите ненужные минимумы. Один из способов сделать это — использовать преобразование h-купола для региональных минимумов, которое подавляет минимумы высоты ‹ h. Теперь мы хотим соединить тонкие линии. Это достигается морфологическим открытием с горизонтальной линией длиной l. Если линии были объединены, то фоном являются региональные минимумы текущего изображения. Таким образом, мы можем заполнить отверстия, чтобы получить соответствующие компоненты. Следующий код суммирует эти задачи:
f = rgb2gray(imread('http://i.stack.imgur.com/02X9Z.jpg'));
hm = imhmin(f, h);
o = imopen(hm, strel('line', l, 0));
result = imfill(~imregionalmin(o), 'holes');
Теперь вам нужно определить h и l. Ожидается, что параметр h будет проще, поскольку он не связан с масштабом ввода, и в вашем примере значения в диапазоне [10, 30] работают нормально. Чтобы определить l, может помочь гранулометрический анализ. Другой способ — проверить, содержит ли result два важных связанных компонента, соответствующих большей L-образной форме и области тонких линий. Нет необходимости увеличивать l один за другим, вы можете выполнить что-то похожее на бинарный поиск.
Вот изображения hm, o и result с h = 30 и l = 15 (здесь одинаково хорошо работает l в [13, 19]). Такой подход дает гибкость при выборе параметров, упрощая выбор/нахождение хороших значений.
Чтобы вычислить площадь в пространстве между двумя самыми большими компонентами, мы могли бы объединить их и просто подсчитать черные пиксели внутри нового связанного компонента.
Вы можете передать окно (10x10 пикселей?) и собрать функции для этого окна. Функции могут быть такими простыми, как кумулятивные градиенты (края) внутри этого окна. Это позволит различать различные области, если окно достаточно велико.
Затем, используя каждое окно в качестве точки данных, вы можете выполнить некоторую кластеризацию, или, если шаблоны не сильно различаются, вы можете установить некоторые простые пороговые значения, чтобы определить, какие точки данных принадлежат каким шаблонам (большие суммы градиентов принадлежат маленьким линиям). : больше ребер, в то время как наименьшие суммы градиентов относятся к самым толстым линиям: только одно ребро, а те, что между ними, принадлежат другому «промежуточному» шаблону.
Получив эту классификацию, вы можете создавать отдельные изображения, если это необходимо.
Просто выбрасываю идеи. Вы можете преобразовать изображение в бинарную форму и выполнить маркировку подключенных компонентов. Затем выполните некоторый анализ подключенных компонентов, таких как ширина, чтобы различать регионы.
