如何检测图像中的光点?

简而言之,使用你的方法,你会得到一个非常糟糕的尺寸估计。无论您选择什么阈值,模糊区域的边缘都与要测量的inselberg的边缘不对应。 相反,我建议你遵循下面的食谱。我在用 DIPlib 在Python中(免责声明:我是作者)。Python绑定是C++库上的一层薄薄的一层,将下面的Python代码翻译成C++相当简单(对我来说,用Python交互式开发它更容易)。安装时使用 pip install diplib .

我从你提供的链接(而不是坡度)下载了原始高度数据。DIPlib可以直接读取浮点值TIFF文件,因此不需要任何特殊的转换。我裁剪了一个与OP在这个演示中使用的区域类似的区域,但没有理由不将该方法应用于整个图块。

import diplib as dip

height = dip.ImageRead('17S42_ZN.tif')
height.SetPixelSize(0.000278, 'rad')  # not really radian, but we don't have degrees
height = height[3049:3684, 2895:3513];

该代码还根据TIFF文件中的数据设置像素大小(使用弧度单位,因为DIPlib不做度数)。

接下来,我应用具有特定直径(25像素)的顶帽滤镜。这隔离了直径为25像素或更小的所有峰值。根据您认为嵌条的最大宽度调整此尺寸。

local_height = dip.Tophat(height, 25)

实际上,结果是一个局部高度,即高于某个基线的高度,由过滤器的大小决定。

接下来,我应用滞后阈值(双阈值)。这会产生一个二值图像,在基线以上100米处进行阈值处理,地形在基线以上200米处。也就是说,我决定一个inselberg应该至少比基线高200米,但在100米处把它们都剪掉。在这个高度,我们将测量大小(面积)。再次,根据需要调整阈值。

inselbergs = dip.HysteresisThreshold(local_height, 100, 200)

现在剩下的就是测量我们发现的区域:

labels = dip.Label(inselbergs)
result = dip.MeasurementTool.Measure(labels, features=['Size', 'Center'])
print(result)

这将输出:

   |       Size |                  Center | 
-- | ---------- | ----------------------- | 
   |            |       dim0 |       dim1 | 
   |     (rad²) |      (rad) |      (rad) | 
-- | ---------- | ---------- | ---------- | 
 1 |  1.863e-05 |     0.1514 |    0.01798 | 
 2 |  4.220e-05 |     0.1376 |    0.02080 | 
 3 |  6.214e-05 |    0.09849 |    0.04429 | 
 4 |  6.492e-06 |     0.1282 |    0.04710 | 
 5 |  3.022e-05 |     0.1354 |    0.04925 | 
 6 |  4.274e-05 |     0.1510 |    0.05420 | 
 7 |  2.218e-05 |     0.1228 |    0.05802 | 
 8 |  1.932e-05 |     0.1420 |    0.05689 | 
 9 |  7.690e-05 |     0.1493 |    0.06960 | 
10 |  3.285e-05 |     0.1120 |    0.07089 | 
11 |  5.248e-05 |     0.1389 |    0.07851 | 
12 |  4.637e-05 |     0.1096 |    0.09016 | 
13 |  3.787e-05 |    0.07146 |     0.1012 | 
14 |  2.133e-05 |    0.09046 |    0.09908 | 
15 |  3.895e-05 |    0.08553 |     0.1064 | 
16 |  3.308e-05 |    0.09972 |     0.1143 | 
17 |  3.277e-05 |    0.05312 |     0.1174 | 
18 |  2.581e-05 |    0.07298 |     0.1167 | 
19 |  1.955e-05 |    0.04038 |     0.1304 | 
20 |  4.846e-05 |    0.03657 |     0.1448 | 

(记住,上面写着“rad”的地方实际上是度。)平方度的面积有点奇怪,但你可以将其转换为平方米,因为你知道地球上的位置。事实上,在计算之前,将像素大小转换为米可能更容易。

这里给出的“中心”值是关于左上角像素的,如果我们一开始没有裁剪图块,我们可以添加图块的坐标(可以从TIFF文件中的相应标签中获得):(-42.0,-17.0)。

在C++中,代码应该如下所示:

#include <diplib/simple_file_io.h>
#include <diplib/morphology.h>
#include <diplib/segmentation.h>
#include <diplib/regions.h>
#include <diplib/measurement.h>

//...

dip::Image height = dip::ImageRead("17S42_ZN.tif");
height.SetPixelSize(0.000278 * dip::Units::Radian());
height = height.At(dip::Range(3049, 3684), dip::Range(2895, 3513));

dip::Image local_height = dip::Tophat(height, 25);

dip::Image inselbergs = dip::HysteresisThreshold(local_height, 100, 200);

dip::Image labels = dip::Label(inselbergs);
dip::MeasurementTool measurementTool;
dip::Measurement result = measurementTool.Measure(labels, {}, {"Size", "Center"});
std::cout << result;

一种方法是使用ImageMagick连接的组件,并在适当的阈值后从每个白色区域提取质心。

这是ImageMagick 6中的命令行。但是,如果您愿意,您可以使用C++API。

毛刺图像:

convert blur.png -auto-level -threshold 65% -type bilevel \
-define connected-components:verbose=true \
-define connected-components:mean-color=true \
-connected-components 4 binary.png |\
grep "gray(255)" | awk '{print $3}'

质心(像素坐标):

915.9,367.4
873.4,76.8
936.4,269.5
664.8,212.0
598.2,554.3
954.0,59.3
732.6,446.0
353.5,696.4
69.7,848.0
750.4,357.6
537.5,609.9
832.0,230.9
517.9,539.1

阈值图像: