概述
基本上,我希望能够识别何时出现这种形状(红线用于强调像素的分离,而周围的黑色边框用于更好地勾勒出StackOverflow白色背景下的图像):
它的方向无关紧要:它必须沿水平和垂直轴的任何可能的表示(旋转和对称)检测(因此,例如,不应考虑45°旋转,也不应考虑对角线对称:例如,仅考虑90°,180°和270°旋转.
在我第一次呈现的图像上有两种解决方案,但只需要找到一种(忽略白色区域周围的灰色模糊):
拿这个样本(这也表明图像中的白色图形并不总是被黑色像素完全包围):
该函数应返回True,因为存在形状:
使用诸如pattern = [[1,0],[1,1,1]]之类的变量,生成其变体,然后沿着图像滑动所有变体,直到找到完全匹配这一点,整个事情只是停止并返回True.
然而,在最坏的情况下,这将占用8 *(28-2)*(28-4)*(2 * 4),这对于单个图像大约是40000次操作,这看起来有点矫枉过正(如果我做了我的快速计算吧).
我猜测使这种天真的方法变得更好的一种方法是首先扫描图像,直到我找到第一个白色像素,然后开始寻找比该点早4行和4列的模式,但即便如此似乎不够好.
有任何想法吗?也许这种功能已经在某些库中实现了?我正在寻找一种能够击败我天真的方法的实现或算法.
作为旁注,虽然是一种黑客,但我猜这是可以卸载到GPU的那种问题,但我没有太多经验.虽然它不是我正在寻找的主要内容,但如果您提供答案,请随意添加与GPU相关的注释.
对于这个问题,我会使用图像积分.
如果你在图像上对求和内核进行卷积(这是fft域中的一个非常快速的操作,只有conv2,imfilter),你知道只有积分等于5的位置(在你的情况下)才是可能的模式匹配位置.检查那些(即使你的4次旋转)应该在计算上非常快.示例图像中的位置不能超过50个适合此模式的位置.
我的python不太流畅,但这是你在MATLAB中第一个图像的概念证明,我确信翻译这段代码应该不是问题.
% get the same image you have (imgur upscaled it and made it RGB) I=rgb2gray(imread('https://i.stack.imgur.com/l3u4A.png')); I=imresize(I,[9 11]); I=double(I>50); % Integral filter deFinition (with your desired size) h=ones(3,4); % horizontal and vertical filter (because your filter is not square) Ifiltv=imfilter(I,h); Ifilth=imfilter(I,h'); % find the locations where integral is exactly the value you want [xh,yh]=find(Ifilth==5); [xv,yv]=find(Ifiltv==5); % this is just plotting,for completeness figure() imshow(I,[]); hold on plot(yh,xh,'r.'); plot(yv,xv,'r.');
这导致14个位置进行检查.我的标准计算机在计算两个图像积分时平均需要230ns,我会称之为快速.
GPU计算也不是黑客攻击:D.由于它们拥有巨大的计算能力,它可以解决大量问题.例如. GPU中的卷积非常快.
总结
以上是编程之家为你收集整理的python – 二进制(像素化)图像中的基本模式识别全部内容,希望文章能够帮你解决python – 二进制(像素化)图像中的基本模式识别所遇到的程序开发问题。
如果您也喜欢它,动动您的小指点个赞吧