tecniche OpenCV/elaborazione delle immagini per trovare i centri di punti luminosi in un'immagine

Question

Attualmente sto facendo un progetto basato sulla metodologia descritta in questo documento: Camera calibration from a single night sky image

Come un principiante in computer vision, non lo faccio Capisco bene come posso implementare il metodo usato nella carta per trovare il centro di tutti i punti luminosi (luminari) all'interno di un'immagine, in particolare sul paragrafo nella sezione 4.1:

Il campo circostante di dimensione 15 × 15 pixel (Figura 1 (a)), viene sovracampionato da un dato fattore (Figura 1 (c)) e viene calcolata la corrispondente mappa del gradiente (Figura 1 (d)). A partire dalla regione più luminosa, la soglia del valore di grigio viene ridotta, finché non viene massimizzata la funzione di energia. La funzione energetica è definita come la somma dei gradienti del bordo e normalizzata dalla lunghezza del bordo (Figura 1 (e)). Questo porta a un'immagine stellare segmentata mostrata nella Figura 1 (f). La segmentazione garantisce che l'algoritmo del baricentro ponderato [11] dia una stima robusta.

Dalla mia comprensione, credo di poter fare una funzione gradiente Laplaciano/Sobel sull'immagine upsampling, ma dopo che io non sono troppo sicuro di come posso eseguire l'energia funzione parte e produce l'immagine segmentata. Inoltre vorrei anche capire come implementare l'algoritmo del centro di gravità ponderato per trovare il centro del punto luminoso usando openCV o altra libreria python.

Molto apprezzato se qualcuno di voi può fornire delle luci su questo.

Grazie e saluti.

Answer 1

La cosa principale da portare via è energy function utilizzata in questo contesto è qualsiasi funzione che viene utilizzata per un problema di massimizzazione. Qui, la funzione energetica è la somma di gradienti/derivate/differenze (in questo caso "probabilità di confine rilevata").

Dal momento che ti sembra di avere uno sfondo non-algoritmico, io suggerisco di leggere su breadth-first search (ricordate l'immagine è un tipo molto specifico di grafico, in cui ogni bordo è un pixel, collegato a quelli adiacenti), recursion, e floodfill.

1. Su/downscale l'immagine
2. Run filtri di Sobel orizzontali e verticali. Combina le immagini risultanti in grad_img = max_per_pixel (sobel_horiz, sobel_vert).
3. Per ciascun pixel da 15x15 pixel, individuare il punto più luminoso. Questo è il seed della stella.
4. Inizia da 1x1 region costituito da seed. Continua ad aggiungere pixel adiacenti a quello region (consiglia l'attraversamento in larghezza). Calcola l'energia in base alla somma dei valori dei pixel in grad_img con le coordinate dei pixel dei bordi dello region. Se l'energia è superiore all'energia della precedente iterazione, il nuovo pixel viene aggiunto allo region. In caso contrario, il pixel viene rifiutato.
5. Trovare il centro di gravità di un contorno chiuso o una raccolta di pixel non è un compito difficile.O farlo con la sua definizione matematica (la somma delle coordinate xey di tutti i pixel all'interno della regione, divisi per l'area), o farlo usando i momenti dell'immagine (cv :: moments example).

La mia soluzione è leggermente diversa dalla soluzione. Eseguono effettivamente un algoritmo di riempimento che riempie tutti i pixel di luminosità [soglia; 255], calcola le funzioni energetiche, diminuisce la soglia, risciacqua e ripete, fermandosi quando massimizzano la funzione energetica. Si noti che il loro algoritmo è molto inefficiente in quanto sta rendendo efficacemente fino a 255 inondazioni per ogni stella pre-rilevata rispetto a 1 inondazione nella mia proposta e questo potrebbe essere un problema di prestazioni nella pratica.