algorithm - 使用图像处理计算弯管的曲率(霍夫变换抛物线检测)

Question

我正在尝试设计一种方法来检测此管道的曲率。我尝试应用 hough 变换并发现检测到的线，但它们不位于管道表面，因此将其平滑以适合 beizer 曲线不起作用。请建议一些开始像这样的图像的好方法。[

霍夫变换检测直线得到的图像如下[ 我正在使用标准的 Matlab 代码进行概率霍夫变换线检测，生成围绕结构的线段。本质上，管道的形状类似于抛物线，但对于 hough 抛物线检测，我需要在检测之前提供该点的偏心率。请提出一种沿着曲率找到离散点的好方法，这些点可以适合抛物线。我已经为 opencv 和 ITK 提供了标签，所以如果有可以在这张特定图片上实现的功能，请建议我会尝试查看结果的功能。

img = imread('test2.jpg');
rawimg = rgb2gray(img);
 [accum, axis_rho, axis_theta, lineprm, lineseg] = Hough_Grd(bwtu, 8, 0.01);
figure(1); imagesc(axis_theta*(180/pi), axis_rho, accum); axis xy;
 xlabel('Theta (degree)'); ylabel('Pho (pixels)');
 title('Accumulation Array from Hough Transform');
  figure(2); imagesc(bwtu); colormap('gray'); axis image;
  DrawLines_2Ends(lineseg);
  title('Raw Image with Line Segments Detected');

图像的边缘图如下并且在边缘图上应用霍夫变换后生成的结果也不好。我在想一个解决方案，它可以像这条曲线一样进行一般参数化形状检测，可以表示为一系列抛物线，因此我们进行曲线拟合来估计弯曲时的系数，以分析它的曲率。我需要设计一个实时程序，所以请在这个方向上提出任何建议。

Answer 1

我建议采用以下方法:

第一阶段:生成管道分段。

1. 对图像执行阈值处理。
2. 在阈值化图像中找到连接的组件。
3. 搜索代表管道的连通分量。代表管道的连接组件应该有一个边缘图，它分为顶部和底部边缘(见附图)。顶部和底部边缘的大小应该相似，并且彼此之间的距离应该相对恒定。换句话说，它们的每像素距离的方差应该很小。

第二阶段-提取曲线​​

在这个阶段，您应该提取曲线的点以进行贝泽尔拟合。您可以在顶部边缘或底部边缘执行此计算。另一种选择是在管道分段的骨架上进行。

结果

管道分割。顶部和底部边缘分别用蓝色和红色标记。

代码

I = mat2gray(imread('ILwH7.jpg'));
im = rgb2gray(I);

%constant values to be used later on
BW_THRESHOLD = 0.64;
MIN_CC_SIZE = 50;
VAR_THRESHOLD = 2;
SIMILAR_SIZE_THRESHOLD = 0.85;

%stage 1 - thresholding & noise cleaning
bwIm = im>BW_THRESHOLD;
bwIm = imfill(bwIm,'holes');
bwIm = imopen(bwIm,strel('disk',1));


CC = bwconncomp(bwIm);
%iterates over the CC list, and searches for the CC which represents the
%pipe
for ii=1:length(CC.PixelIdxList)
    %ignore small CC
    if(length(CC.PixelIdxList{ii})<50)
        continue;
    end
    %extracts CC edges
    ccMask = zeros(size(bwIm));
    ccMask(CC.PixelIdxList{ii}) = 1;
    ccMaskEdges = edge(ccMask);

    %finds connected components in the edges mat(there should be two).
    %these are the top and bottom parts of the pipe.
    CC2 = bwconncomp(ccMaskEdges);
    if length(CC2.PixelIdxList)~=2
        continue;
    end

    %tests that the top and bottom edges has similar sizes
    s1 = length(CC2.PixelIdxList{1});
    s2 = length(CC2.PixelIdxList{2});
    if(min(s1,s2)/max(s1,s2) < SIMILAR_SIZE_THRESHOLD)
        continue;
    end

    %calculate the masks of these two connected compnents
    topEdgeMask = false(size(ccMask));
    topEdgeMask(CC2.PixelIdxList{1}) = true;
    bottomEdgeMask = false(size(ccMask));
    bottomEdgeMask(CC2.PixelIdxList{2}) = true;

    %tests that the variance of the distances between the points is low
    topEdgeDists = bwdist(topEdgeMask);
    bottomEdgeDists = bwdist(bottomEdgeMask);
    var1 = std(topEdgeDists(bottomEdgeMask));
    var2 = std(bottomEdgeDists(topEdgeMask));

    %if the variances are low - we have found the CC of the pipe. break!
    if(var1<VAR_THRESHOLD && var2<VAR_THRESHOLD)
        pipeMask = ccMask;
        break;
    end


end

%performs median filtering on the top and bottom boundaries.
MEDIAN_SIZE =5;
[topCorveY, topCurveX] = find(topEdgeMask);
topCurveX = medfilt1(topCurveX);
topCurveY = medfilt1(topCurveY);
[bottomCorveY, bottomCurveX] = find(bottomEdgeMask);
bottomCurveX = medfilt1(bottomCurveX);
bottomCorveY = medfilt1(bottomCorveY);

%display results
imshow(pipeMask); hold on;
plot(topCurveX,topCorveY,'.-');
plot(bottomCurveX,bottomCorveY,'.-');

评论

1. 在这个具体的例子中，通过阈值获取管道分割相对容易。在某些场景中，它可能更复杂。在这些情况下，您可能希望使用区域增长算法来生成管道分段。

2. 检测代表管道的连接组件可以通过使用更多的启发式方法来完成。例如 - 它边界的局部曲率应该很低。