Обнаружение черных чернил на бумаге - Opencv Android

Question

Я новичок в openCV, я попал в образцы, представленные для Android.

Мои цели - обнаружить цветные пятна, поэтому я начал с образца для определения цвета-блоба.

Я преобразовываю цветное изображение в оттенки серого, а затем пороговое значение с использованием двоичного порога.

Фон белый, капли черные. Я хочу обнаружить эти черные капли. Кроме того, я хотел бы нарисовать их контур в цвете, но я не могу это сделать, потому что изображение черно-белое.

Мне удалось выполнить это в оттенках серого, но я не предпочитаю, как контуры рисуются, это похоже на то, что цветовая толерантность слишком высока, а контур больше, чем фактический blob (может быть, капли слишком малы?). Я предполагаю, что эта «толерантность», о которой я говорю, имеет какое-то отношение к setHsvColor, но я не совсем понимаю этот метод.

Заранее благодарен! С наилучшими пожеланиями

UPDATE ПОДРОБНЕЕ

Изображение Я хочу отслеживать это чернильных расколов. Представьте себе белый лист бумаги с черными чернилами. Сейчас я делаю это в режиме реального времени (просмотр камеры). Фактическое приложение будет делать снимок и анализировать эту картину.

Как я уже говорил выше, я взял образец обнаружения цвета-blob (android) из репозитория openCV GitHub. И я добавить этот код в onCameraFrame метода (для того, чтобы превратить его в черно-белом в режиме реального времени) Convertion сделано так, я не возражаю, если чернила черные, синие, красные:

mRgba = inputFrame.rgba(); 
/**************************************************************************/ 
/** BLACK AND WHITE **/ 
// Convert to Grey 
Imgproc.cvtColor(inputFrame.gray(), mRgba, Imgproc.COLOR_GRAY2RGBA, 4); 

Mat blackAndWhiteMat = new Mat (H, W, CvType.CV_8U, new Scalar(1)); 
double umbral = 100.0; 
Imgproc.threshold(mRgba, blackAndWhiteMat , umbral, 255, Imgproc.THRESH_BINARY); 

// convert back to bitmap for displaying 
Bitmap resultBitmap = Bitmap.createBitmap(mRgba.cols(), mRgba.rows(), Bitmap.Config.ARGB_8888); 
blackAndWhiteMat.convertTo(blackAndWhiteMat, CvType.CV_8UC1); 
Utils.matToBitmap(blackAndWhiteMat, resultBitmap); 
/**************************************************************************/ 

Возможно, это не лучший способ, но он работает.

Теперь я хочу обнаружить черные капли (разрывы чернил). Я предполагаю, что они обнаружены, потому что Logcat (запись в журнале примера приложения) выдает количество обнаруженных контуров, но я не могу их видеть, потому что изображение черно-белое, и я хочу, чтобы контур был красным, например.

Вот пример изображения: -

И вот что я получаю с помощью RGB (цвет-блоб обнаружения, как есть, не черно-белое изображение). Обратите внимание, что маленькие капли не обнаружены. (Можно ли их обнаружить? Или они слишком малы?)

Благодарим за помощь! Если вам нужна дополнительная информация, я бы с удовольствием обновлять этот вопрос

UPDATE: GitHub репо образца цвета-шарикообразным обнаружения (второе изображение)

GitHub Repo of openCV sample for Android

Answer 1

Решение основано на сочетании адаптивной Порог изображения и использование алгоритма подключенных компонентов.

Успение - Бумага является наиболее освещенной областью изображения, тогда как пятна чернил на бумаге являются самыми темными областями.

from random import Random 
import numpy as np 
import cv2 

def random_color(random): 
    """ 
    Return a random color 
    """ 
    icolor = random.randint(0, 0xFFFFFF) 
    return [icolor & 0xff, (icolor >> 8) & 0xff, (icolor >> 16) & 0xff] 

#Read as Grayscale 
img = cv2.imread('1-input.jpg', 0) 
cimg = cv2.cvtColor(img,cv2.COLOR_GRAY2BGR) 

# Gaussian to remove noisy region, comment to see its affect. 
img = cv2.medianBlur(img,5) 

#Find average intensity to distinguish paper region 
avgPixelIntensity = cv2.mean(img) 
print "Average intensity of image: ", avgPixelIntensity[0] 

# Generate mask to distinguish paper region 
#0.8 - used to ignore ill-illuminated region of paper 
mask = cv2.inRange(img, avgPixelIntensity[0]*0.8, 255) 
mask = 255 - mask 
cv2.imwrite('2-maskedImg.jpg', mask) 

#Approach 1 
# You need to choose 4 or 8 for connectivity type(border pixels) 
connectivity = 8 
# Perform the operation 
output = cv2.connectedComponentsWithStats(mask, connectivity, cv2.CV_8U) 
# The first cell is the number of labels 
num_labels = output[0] 
# The second cell is the label matrix 
labels = output[1] 
# The third cell is the stat matrix 
stats = output[2] 
# The fourth cell is the centroid matrix 
centroids = output[3] 

cv2.imwrite("3-connectedcomponent.jpg", labels) 
print "Number of labels", num_labels, labels 

# create the random number 
random = Random() 

for i in range(1, num_labels): 
    print stats[i, cv2.CC_STAT_LEFT], stats[i, cv2.CC_STAT_TOP], stats[i, cv2.CC_STAT_WIDTH], stats[i, cv2.CC_STAT_HEIGHT] 
    cv2.rectangle(cimg, (stats[i, cv2.CC_STAT_LEFT], stats[i, cv2.CC_STAT_TOP]), 
     (stats[i, cv2.CC_STAT_LEFT] + stats[i, cv2.CC_STAT_WIDTH], stats[i, cv2.CC_STAT_TOP] + stats[i, cv2.CC_STAT_HEIGHT]), random_color(random), 2) 

cv2.imwrite("4-OutputImage.jpg", cimg) 

входное изображение

Маска Изображение из порогов и инвертных операций.

Использование подключенного компонента.

Наложение выход подключенного компонента на входном изображении.