Comment détecter des objets sur les images?

Lorsque vous avez les données de l'image sous forme de tableau, vous pouvez utiliser les haut-numpy fonction pour faire cela facilement et rapidement:

import numpy as np
import PIL

image = PIL.Image.open("14767594_in.png")

image_data = np.asarray(image)
image_data_blue = image_data[:,:,2]

median_blue = np.median(image_data_blue)

non_empty_columns = np.where(image_data_blue.max(axis=0)>median_blue)[0]
non_empty_rows = np.where(image_data_blue.max(axis=1)>median_blue)[0]

boundingBox = (min(non_empty_rows), max(non_empty_rows), min(non_empty_columns), max(non_empty_columns))

print boundingBox

vous donnera, pour la première image:

(78, 156, 27, 166)

Donc vos données souhaitées sont:

• le coin haut-gauche (x,y): (27, 78)
• largeur: 166 - 27 = 139
• hauteur: 156 - 78 = 78

J'ai choisi que "chaque pixel bleu-valeur supérieure à la médiane de toutes les blue valeurs" appartient à votre objet. J'attends que cela fonctionne pour vous; si pas, essayez autre chose ou donner des exemples où cela ne fonctionne pas.

MODIFIER
J'ai retravaillé mon code pour être plus général. Comme les deux images, avec la même couleur en forme, ne sont pas suffisamment général (en tant que votre commentaire indique) j'ai créer plus d'exemples de synthèse.

def create_sample_set(mask, N=36, shape_color=[0,0,1.,1.]):
    rv = np.ones((N, mask.shape[0], mask.shape[1], 4),dtype=np.float)
    mask = mask.astype(bool)
    for i in range(N):
        for j in range(3):
            current_color_layer = rv[i,:,:,j]
            current_color_layer[:,:] *= np.random.random()
            current_color_layer[mask] = np.ones((mask.sum())) * shape_color[j]
    return rv

Ici, la couleur de la forme est réglable. Pour chacune des N=26 images aléatoires de la couleur d'arrière-plan est choisi. Il serait également possible de mettre un bruit de fond, cela n'aurait pas changé le résultat.

Puis, j'ai lu votre image de l'échantillon, de créer une forme de masque-à partir d'elle et l'utiliser pour créer des images d'exemple. J'ai tracé sur une grille.

# create set of sample image and plot them
image = PIL.Image.open("14767594_in.png")
image_data = np.asarray(image)
image_data_blue = image_data[:,:,2]
median_blue = np.median(image_data_blue)
sample_images = create_sample_set(image_data_blue>median_blue)
plt.figure(1)
for i in range(36):
    plt.subplot(6,6,i+1)
    plt.imshow(sample_images[i,...])
    plt.axis("off")
plt.subplots_adjust(0,0,1,1,0,0)

Pour une autre valeur de shape_color (paramètre create_sample_set(...)), cela pourrait ressembler à:

Prochaine, je vais déterminer les pixel par pixel variabilité usind l'écart-type. Comme vous l'a dit, l'objet est sur (presque) toutes les images à la même position. Ainsi, le variabiliy dans ces images sera faible, alors que pour les autres pixels, il sera nettement plus élevé.

# determine per-pixel variablility, std() over all images
variability = sample_images.std(axis=0).sum(axis=2)

# show image of these variabilities
plt.figure(2)
plt.imshow(variability, cmap=plt.cm.gray, interpolation="nearest", origin="lower")

Enfin, comme dans mon premier extrait de code, de déterminer la boîte englobante. Maintenant, j'ai aussi fournir une parcelle d'elle.

# determine bounding box
mean_variability = variability.mean()
non_empty_columns = np.where(variability.min(axis=0)<mean_variability)[0]
non_empty_rows = np.where(variability.min(axis=1)<mean_variability)[0]
boundingBox = (min(non_empty_rows), max(non_empty_rows), min(non_empty_columns), max(non_empty_columns))

# plot and print boundingBox
bb = boundingBox
plt.plot([bb[2], bb[3], bb[3], bb[2], bb[2]],
         [bb[0], bb[0],bb[1], bb[1], bb[0]],
         "r-")
plt.xlim(0,variability.shape[1])
plt.ylim(variability.shape[0],0)

print boundingBox
plt.show()

Que c'est. J'espère que c'est assez générale cette fois.

Script complet pour copier et coller:

import numpy as np
import PIL
import matplotlib.pyplot as plt
def create_sample_set(mask, N=36, shape_color=[0,0,1.,1.]):
rv = np.ones((N, mask.shape[0], mask.shape[1], 4),dtype=np.float)
mask = mask.astype(bool)
for i in range(N):
for j in range(3):
current_color_layer = rv[i,:,:,j]
current_color_layer[:,:] *= np.random.random()
current_color_layer[mask] = np.ones((mask.sum())) * shape_color[j]
return rv
# create set of sample image and plot them
image = PIL.Image.open("14767594_in.png")
image_data = np.asarray(image)
image_data_blue = image_data[:,:,2]
median_blue = np.median(image_data_blue)
sample_images = create_sample_set(image_data_blue>median_blue)
plt.figure(1)
for i in range(36):
plt.subplot(6,6,i+1)
plt.imshow(sample_images[i,...])
plt.axis("off")
plt.subplots_adjust(0,0,1,1,0,0)
# determine per-pixel variablility, std() over all images
variability = sample_images.std(axis=0).sum(axis=2)
# show image of these variabilities
plt.figure(2)
plt.imshow(variability, cmap=plt.cm.gray, interpolation="nearest", origin="lower")
# determine bounding box
mean_variability = variability.mean()
non_empty_columns = np.where(variability.min(axis=0)<mean_variability)[0]
non_empty_rows = np.where(variability.min(axis=1)<mean_variability)[0]
boundingBox = (min(non_empty_rows), max(non_empty_rows), min(non_empty_columns), max(non_empty_columns))
# plot and print boundingBox
bb = boundingBox
plt.plot([bb[2], bb[3], bb[3], bb[2], bb[2]],
[bb[0], bb[0],bb[1], bb[1], bb[0]],
"r-")
plt.xlim(0,variability.shape[1])
plt.ylim(variability.shape[0],0)
print boundingBox
plt.show()