Python代码使用OpenCV进行Blob检测|opencv|二进制|算法

blob

什么是Blob？

blob是图像中一组共享的区域，它们具有一些共同的属性（例如灰度值,形状，尺寸等）blob检测的目的是识别并标记一些特定区域，blob检测在自动化工业领域比较常见。

OpenCV提供了一种方便的方法来检测blob并根据不同的特征对其进行过滤。那就是

SimpleBlobDetector检测算法

OpenCV实现的算法如下：

• 1. 对[minThreshold,maxThreshold)区间，以thresholdStep为间隔，做多次二值化。

• 2. 对每张二值图片，使用提取连通域并计算每一个连通域的中心。

• 3. 根据2得到的中心，全部放在一起。一些很接近的点［由theminDistBetweenBlobs控制多少才算接近］被归为一个group,对应一个bolb特征..

• 4. 从3得到的那些点,估计最后的blob特征和相应半径，并以key points返回。

首先我们先按照默认的配置建立一个简单的blob检测实例

import cv2
import numpy as np;
im = cv2.imread("blob_detection.jpg", cv2.IMREAD_GRAYSCALE)
detector = cv2.SimpleBlobDetector_create()
keypoints = detector.detect(im)
with_keypoints = cv2.drawKeypoints(im, keypoints, np.array([]),
(0,0,255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow("Keypoints", with_keypoints)
cv2.waitKey(0)

首先我们读入一张需要检测的图片

并使用cv2.SimpleBlobDetector_create检测函数建立一个检测器，这里需要注意的是CV2 3.0以前的版本，请使用cv2.SimpleBlobDetector函数，这里的cv2.IMREAD_GRAYSCALE便是打开图片的时候并转换成灰度空间，这个跟函数cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)实现的功能一样，只是2种不同的写法。

然后使用detector.detect函数，对图片进行检测，函数返回检测到的关键点

最后使用cv2.drawKeypoints函数画出图片中检测到的blob即可

cv2.drawKeypoints（）函数主要包含五个参数：

· image:也就是原始图片
· keypoints：从原图中获得的关键点，这也是画图时所用到的数据
· outputimage：输出
· color：颜色设置，通过修改（b,g,r）的值,更改画笔的颜色，b=蓝色，g=绿色，r=红色。
· flags：绘图功能的标识设置，主要包括如下：
cv2.DRAW_MATCHES_FLAGS_DEFAULT,
cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS,
cv2.DRAW_MATCHES_FLAGS_DRAW_OVER_OUTIMG,
cv2.DRAW_MATCHES_FLAGS_NOT_DRAW_SINGLE_POINTS

代码截图

SimpleBlobDetector基于以下描述的相当简单的算法。该算法由不同的参数控制

blob

阈值处理：通过使用以minThreshold开始的阈值对源图像进行阈值处理，将源图像转换为多个二进制图像 。这些阈值以thresholdStep递增， 直到 maxThreshold。

因此，第一个阈值为 minThreshold，

第二个阈值为 minThreshold + thresholdStep，

第三个阈 值为 minThreshold + 2 x thresholdStep，依此类推。

1. 分组：在每个二进制图像中，连接的白色像素被分组在一起。我们称这些二进制斑点为一。

2. 合并 ：计算二进制图像中二进制斑点的中心，并合并比minDistBetweenBlob 更近的斑点 。

3. 中心和半径计算：计算并返回新合并的Blob的中心和半径。

按颜色，大小和形状过滤斑点

可以设置SimpleBlobDetector的参数以过滤所需的Blob类型。

1. · 按颜色：首先，您需要设置 filterByColor =1。设置 blobColor = 0以选择较暗的blob，将 blobColor = 255设置为较浅的blob。

2. · 按大小：通过设置参数filterByArea = 1以及minArea 和maxArea的适当值， 可以基于大小过滤blob 。例如，设置 minArea = 100将滤除所有少于100个像素的斑点。

3. · 按形状：现在形状具有三个不同的参数。

1. 圆度：这只是测量斑点距圆的距离。例如，正六边形的圆度比正方形大。要按圆度过滤，请设置 filterByCircularity =1。然后为minCircularity 和maxCircularity设置适当的值。圆度定义为。

圆度

这意味着圆的圆度为1，正方形的圆度为0.785，依此类推。

圆度

2. 凸性：一张图片值一千字。凸度定义为（斑点的面积/凸包的面积）。现在，形状的凸包是完全封闭该形状的最紧密的凸形。由凸滤波器，集 filterByConvexity = 1 ，然后设置0≤ minConvexity ≤1和maxConvexity（≤1）

凸性

3. 惯性比：对于一个圆，该值是1，对于椭圆它是0和1之间，而对于线是0。要通过过滤器惯量比，设置 filterByInertia = 1 ， 并设置0≤ minInertiaRatio ≤1和 maxInertiaRatio （≤1 ）适当地。

惯性比

通过以上参数的设计，我们可以选择符合我们需求的blob值进行检测

import cv2
import numpy as np
im = cv2.imread("blob.jpg", cv2.IMREAD_GRAYSCALE)
params = cv2.SimpleBlobDetector_Params()
# 设置阈值
params.minThreshold = 10
params.maxThreshold = 200
# 设置选择区域
params.filterByArea = True
params.minArea = 1500
# 设置圆度
params.filterByCircularity = True
params.minCircularity = 0.1
# 设置凸度
params.filterByConvexity = True
params.minConvexity = 0.87
# 设置惯性比
params.filterByInertia = True
params.minInertiaRatio = 0.01
detector = cv2.SimpleBlobDetector_create(params)
keypoints = detector.detect(im)
with_keypoints = cv2.drawKeypoints(im, keypoints, np.array([]),
(0,0,255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow("Keypoints",with_keypoints)
cv2.waitKey(0)

首先使用cv2.SimpleBlobDetector_Params函数对不同参数进行调整，其主要参数如下：

SimpleBlobDetector::Params()
{ thresholdStep = 10; #二值化的阈值步长，即公式1的t
minThreshold = 50; #二值化的起始阈值，即公式1的T1
maxThreshold = 220; #二值化的终止阈值，即公式1的T2 #重复的最小次数，只有属于灰度图像斑点的那些二值图像斑点数量大于该值时，该灰度图像斑点才被认为是特征点
minRepeatability = 2; #最小的斑点距离，不同二值图像的斑点间距离小于该值时，被认为是同一个位置的斑点，否则是不同位置上的斑点
minDistBetweenBlobs = 10;
filterByColor = true; #斑点颜色的限制变量
blobColor = 0; #表示只提取黑色斑点；如果该变量为255，表示只提取白色斑点
filterByArea = true; #斑点面积的限制变量
minArea = 25; #斑点的最小面积
maxArea = 5000; #斑点的最大面积
filterByCircularity = false; #斑点圆度的限制变量，默认是不限制
minCircularity = 0.8f; #斑点的最小圆度 #斑点的最大圆度，所能表示的float类型的最大值
maxCircularity = std::numeric_limits::max();
filterByInertia = true; #斑点惯性率的限制变量
minInertiaRatio = 0.1f; #斑点的最小惯性率
maxInertiaRatio = std::numeric_limits::max(); #斑点的最大惯性率
filterByConvexity = true; #斑点凸度的限制变量
minConvexity = 0.95f; #斑点的最小凸度
maxConvexity = std::numeric_limits::max(); #斑点的最大凸度}

首先我们定义好不同的参数，包含：阈值，尺寸，圆度，凸度，惯性比等参数，这些参数可以过滤到我们不需要的blob，运行以上代码便可以查看结果

blob检测

代码截图

一般blob的主要应用于工业领域，比如产品的坏点检测，自动化产线上的产品尺寸大小检测，产品方向，位置，角度检测等等

这就需要使用视频实时检测

Blob的视频实时检测 import cv2
import numpy as np
import time
params = cv2.SimpleBlobDetector_Params()
# 设置阈值
params.minThreshold = 10
params.maxThreshold = 200
# 设置选择区域
params.filterByArea = True
params.minArea = 1500
# 设置圆度
params.filterByCircularity = True
params.minCircularity = 0.1
# 设置凸度
params.filterByConvexity = True
params.minConvexity = 0.87
# 这种惯性比
params.filterByInertia = True
params.minInertiaRatio = 0.01
detector = cv2.SimpleBlobDetector_create(params)

首先安装图片检测原理图，设置SimpleBlobDetector的检测参数，并初始化SimpleBlobDetector检测函数

代码截图

初始化完成后，便可以打开摄像头，进行视频的实时检测

capture = cv2.VideoCapture(0)
time.sleep(2)
cv2.namedWindow('blob',cv2.WINDOW_AUTOSIZE)

while(1):
ret, frame = capture.read()
im = cv2.cvtColor(frame, cv2.COLOR_BGR2GRAY)
keypoints = detector.detect(im)
with_keypoints = cv2.drawKeypoints(frame, keypoints, np.array([]),
(0,0,255), cv2.DRAW_MATCHES_FLAGS_DRAW_RICH_KEYPOINTS)
cv2.imshow("Keypoints",with_keypoints)
if cv2.waitKey(5)&0xFF == ord('q'):
break
capture.release()
cv2.destroyAllWindows()

这里需要注意的是cv2.VideoCapture(0)打开默认的摄像头，这里若想要检测视频，可以输入视频的绝对路径地址

1、frame = cv2.VideoCapture(0)
VideoCapture()中参数是0，表示打开笔记本的内置摄像头，参数是视频文件路径则打开视频，
如frame= cv2.VideoCapture("../test.avi")
2、ret,frame = cap.read()
cap.read()按帧读取视频，ret,frame是获cap.read()方法的两个返回值。
其中ret是布尔值，如果读取帧是正确的则返回True，如果文件读取到结尾，
它的返回值就为False。frame就是每一帧的图像，是个三维矩阵。
3、cv2.waitKey(1)，waitKey（）方法本身表示等待键盘输入，
参数是1，表示延时1ms切换到下一帧图像，对于视频而言；
参数为0，如cv2.waitKey(0)只显示当前帧图像，相当于视频暂停,等待用户输入任意键；
参数过大如cv2.waitKey(1000)，会因为延时过久而卡顿感觉到卡顿。 当键盘输入q字母时，退出程序运行
4、调用release()释放摄像头，调用destroyAllWindows()关闭所有图像窗口。

代码截图