过滤和椭圆拟合噪声图像

我有如下所示的图像（图 1），我想将两个椭圆拟合到内部和外部形状。

编辑

根据 fmw42 的建议创建新代码

if img is None:
    print("Failed to load the image")
    exit()


gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
masked = cv2.inRange(gray,100,255)
ksize= 15
blurred = cv2.medianBlur(masked,ksize = ksize)
ret,thresh = cv2.threshold(blurred,100,255,cv2.THRESH_BINARY)

def detect_ellipses(img, contours):
    ellipses = []
    for contour in contours:
        relevant_points = np.reshape(contour, (contour.shape[0], 2))
        try:
            ellipse = cv2.fitEllipse(relevant_points)
            print(ellipse)
            ellipses.append(ellipse)
        except:
            pass
            
    return ellipses


# # Apply edge detection to the grayscale image with adjusted parameters
edges = cv2.Canny(thresh, 100, 255)
plt.figure()
plt.imshow(edges)
plt.show()
# # # Find the contours in the edge map
contours, hierarchy = cv2.findContours(
    edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

应用 Canny 和拟合后的结果|| |我仍然遇到最终结果中不需要的轮廓的问题。不幸的是，我无法真正过滤掉它们，因为有些形状与所需的形状太接近。

我一直在使用 OpenCV，并且能够始终拟合内部椭圆。由于我无法完全消除噪音，外部一直很棘手，这会导致不理想的配件（图 2）。目前，我可以通过反复试验来拟合单个图像，但并不理想。

if img is None:
    print("Failed to load the image")
    exit()


gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
kernel = np.ones((5,5),np.uint8)
gray = cv2.morphologyEx(gray, cv2.MORPH_CLOSE, kernel)
ret,thresh = cv2.threshold(gray,65,255,cv2.THRESH_BINARY)
ksize = 15
med=  cv2.medianBlur(thresh, ksize = ksize)

def detect_ellipses(img, contours):
    ellipses = []
    for contour in contours:
        relevant_points = np.reshape(contour, (contour.shape[0], 2))
        try:
            ellipse = cv2.fitEllipse(relevant_points)
            #print(ellipse)
            ellipses.append(ellipse)
        except:
            pass
            
    return ellipses


# # Apply edge detection to the grayscale image with adjusted parameters
edges = cv2.Canny(med, 65, 255)

# # # Find the contours in the edge map
contours, hierarchy = cv2.findContours(
    edges, cv2.RETR_TREE, cv2.CHAIN_APPROX_SIMPLE)

# plt.figure('outer')
# plt.imshow(contours)
# plt.show()

# # # Detect ellipses from the contours
ellipses = detect_ellipses(img, contours)


# # Draw the ellipses on the original image
for ellipse in ellipses:
    try:
        cv2.ellipse(img, ellipse, (0, 255, 0), 2)
        print(ellipse)
    except:
        pass

# #Show the original image with the fitted ellipses
cv2.imshow('Ellipse Detection', img)
cv2.waitKey(0)
cv2.destroyAllWindows()

I have been using OpenCV and am able to consistently fit the inner ellipse. The outer has been tricky due to the noises that I have not been able to remove completely, which cause undesired fittings (Figure 2). Currently, I am able to fit individual images through trial and error, but not ideal.

以下是使用 Python 和 OpenCV 检测图像中两个椭圆（内椭圆和外椭圆）的分步过程。该代码侧重于通过图像处理技术减少不需要的轮廓，从而实现更稳健的椭圆拟合：

1. 加载图像并预处理：

import cv2
import numpy as np
import matplotlib.pyplot as plt

# 读取图像
img = cv2.imread('image.png')
if img is None:
    print("无法加载图像")
    exit()

# 将图像转换为灰度
gray = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)

# 应用中值滤波器以减少噪声
gray = cv2.medianBlur(gray, 5)

2. 创建二值图像：

# 通过自适应阈值处理创建清晰的边缘图
thresh = cv2.adaptiveThreshold(gray, 255, cv2.ADAPTIVE_THRESH_MEAN_C, 
                               cv2.THRESH_BINARY_INV, 11, 2)

3. 检测和过滤轮廓：

# 查找轮廓
contours, hierarchy = cv2.findContours(thresh, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE)

# 按区域过滤轮廓，保留较大的轮廓
min_area = 1000  # 根据需要调整此值
filtered_contours = [cnt for cnt in contours if cv2.contourArea(cnt) > min_area]

4. 拟合椭圆：

# 对过滤后的轮廓拟合椭圆
ellipses = []
for cnt in filtered_contours:
    if len(cnt) >= 5:  # 确保至少有 5 个点进行椭圆拟合
        ellipse = cv2.fitEllipse(cnt)
        ellipses.append(ellipse)

5. 绘制结果：

# 在原始图像上绘制椭圆
result_image = img.copy()
for ellipse in ellipses:
    cv2.ellipse(result_image, ellipse, (0, 255, 0), 2)

# 显示结果
cv2.imshow("检测到的椭圆", result_image)
cv2.waitKey(0)
cv2.destroyAllWindows()

说明：

• 中值滤波器 有助于减少噪声，同时保留边缘。
• 自适应阈值处理 可以为具有不同照明条件的图像创建更稳健的二值图像。
• 按区域过滤轮廓 有助于消除与的目标椭圆不对应的微小噪声或不必要的细节。
• 函数 cv2.fitEllipse() 需要至少 5 个点 才能拟合椭圆。检查每个轮廓的点数可以防止运行时错误。

调整：

• 根据的图像以及噪声级别和椭圆尺寸，可能需要调整 medianBlur 中的内核大小和 adaptiveThreshold 中的参数。
• min_area 参数控制要过滤掉的轮廓的大小。根据椭圆的大小进行实验以找到合适的值。

通过仔细微调这些参数，可以提高椭圆检测算法的准确性。