Erkennung von hexagonalen Formen in Graustufen oder Binärbild

Question

Für meine Bachelorarbeit muss ich Bilder analysieren, die im Ozean aufgenommen wurden, um die Größe von Wasserpartikeln zu zählen und zu messen.

mein Problem: neben den gewünschten Wasserpartikel zeigen die Bilder hexagonal Flecken am ganzen Bild: (! Beispielbild unten) - verschiedene Größen - - nicht regelmäßige Form unterschiedliche Grauwerte

Es ist klar, dass diese Patches meine Bildanalyse bezüglich der Größe und Anzahl der Partikel verfälschen werden. Aus diesem Grund müssen diese Patches irgendwie erkannt und gelöscht werden.

Da es nur ein kleines Teil der Arbeit in meiner Arbeit sein wird, will ich nicht viel Zeit darin verbringen und bereits versucht, klassische Wege wie: (imagej)

• mit der Schwelle zu spielen (was dazu führt, dass auch erwünschte Wasserpartikel gelöscht werden)
• analysieren Sie das Bild einschließlich der sechseckigen Flecken und sortieren Sie später die größten Bereiche aus (die sechseckigen Flecken haben ziemlich große Flächen, aber Sie werden immer noch viele Haxagons haben)
• spielen mit Filter: Wenn Sie ein doppeltes Bild mit einem Gaußschen Filter versehen und die Kopie vom Original subtrahieren, werden viele gelöscht Patches (in den Grauwert zu reduzieren), sondern löscht auch wenig Fahndungs ​​Partikel Wasser und so wieder fälscht das Ergebnis

eine komplizierte und zeitraubend Lösung wäre Punkte zu verwenden, eine implementiert Bibliothek in zB Matlab oder opencv zu erkennen , die die Formen beschreiben. aber bis jetzt konnte ich keinen Code finden, der meiner Aufgabe entspricht.

Hat jemand von euch einen solchen Code erstellt, den ich für meine Aufgabe oder eine andere Idee verwenden könnte?

Sie können auch eine Menge hexagonal Patches in verschiedenen Tiefen sehen. Die kleinen Spots mit einem größeren Pixelwert sind die gewünschten Partikel!

Answer 1

Bildverarbeitung ist ein ziemlich komplizierter Bereich, daher gibt es keine festen Regeln.

Aber wenn ich es wäre, würde ich das Bild 'maskieren'. Dies beinhaltet entweder definieren, was Sie behalten oder als Pixel 'Maske' entfernen möchten. Anschließend scannen Sie die Maske rekursiv über das Bild und vergleichen die Maske mit dem ausgewählten Bildausschnitt. Sie wählen dann oder entfernen den Abschnitt (abhängig von Ihrer Methode), wenn er Ihr Kriterium erfüllt. Ein solches Beispiel eines Kriteriums wäre der räumliche und Graustufenfehler, gewichtet gegen eine Wahrscheinlichkeitsfunktion (zB Chi-Quadrat, quadratischer Mittelwertfehler etc.) oder eine Normalverteilung, die Sie die Unsicherheit definieren.

Einige Lebensmittel zum Nachdenken