R:计算图片中的对象

Question

我目前正在研究一个问题，即使用图片构建分类器来预测结果。基本上，我在图片上有对象(一个或多个)，我想识别它们。因为我可以拥有一个或多个对象(并不总是相同的)，所以我首先希望能够计算出我的图片上有多少个对象。我不想运行任何机器学习算法，我希望有某种方法可以尽快完成。

运行 k-means(使用颜色)使我能够将图片分成 2 个颜色组，这已经很好地分离了背景和对象。从这张图片中，我想找到一种方法来计算所有不同的“区域”。我尝试使用颜色和位置运行 k-means 以尝试一步完成所有操作，但效果不是很好，因为向 kmeans 添加位置会降低其结果。

这里是图片的示例，一旦用 kmeans 将它分成两个颜色区域:

显然这里有 5 个对象和 1 个背景。或者，6 个不同的区域。

我想做的是在该图片上运行一个算法，它会告诉我那个数字。我不熟悉图像处理，所以我想不出一种快速有效的方法。我想到的一种解决方案是从对象类 中取出一个像素并测试相邻像素是否属于同一类或实际上是背景类 的一部分。但这将是一个痛苦而漫长的做事方式。

我已经尝试过 blob 识别，但看起来这个算法并不适合我的需要。

我很想知道如何解决这类问题。我不介意自己编写算法代码，但我也很想知道是否有 R 包可以轻松实现这种事情。

我希望一切都足够清楚。非常感谢您!

Answer 1

更新 找到一个link to an implementation of bwlabel in the R image processing toolbox .所以以下可能不是必需的，但创建它很有趣 :-) 你应该看看那个包，因为它有其他对象分割算法(即分水岭)，可能比你的 k-means 聚类的第一步更好.

如果您的分割在背景和对象之间正确标记，并且至少有一个背景像素分隔不同对象之间的边界，那么您可能需要在 R 中实现 matlab 的 bwlabel 函数。对此的解释见this SO question/answer

下面是一个不执行标记的实现(尽管可以很容易地采用它来这样做):

find.contiguous <- function(img, x, bg) {
  ## we need to deal with a single (row,col) matrix index
  ## versus a collection of them in a two column matrix separately.
  if (length(x) > 2) {
    lbl <- img[x][1]
    img[x] <- bg
    xc <- x[,1]
    yc <- x[,2]
  } else {
    lbl <- img[x[1],x[2]]
    img[x[1],x[2]] <- bg
    xc <- x[1]
    yc <- x[2]
  }    
  ## find all neighbors of x
  x <- rbind(cbind(xc-1, yc-1),
             cbind(xc  , yc-1),
             cbind(xc+1, yc-1),
             cbind(xc-1, yc),
             cbind(xc+1, yc),
             cbind(xc-1, yc+1),
             cbind(xc  , yc+1),
             cbind(xc+1, yc+1))
  ## that have the same label as the original x
  x <- x[img[x] == lbl,]
  ## if there is none, we stop and return the updated image
  if (length(x)==0) return(img);
  ## otherwise, we call this function recursively
  find.contiguous(img,x,bg)
}

find.contiguous 是一个递归函数，其中对于它接收的每个调用:

1. 图像 img 的工作副本。
2. 属于图像 img 中的对象的像素(矩阵)索引 x(行，列)的集合。
3. 背景值bg

find.contiguous 然后继续:

1. 将 img 中 x 处的所有像素设置为 bg 颜色。这标志着我们已经访问了像素。
2. 找到 x 中所有与 x 具有相同标签(值)的相邻像素。这会增加同一对象的区域。请注意，由于 x 不一定是单个像素，因此 x 会几何增长，因此，事实上，此功能并非无懈可击。
3. 如果没有更多的邻居属于同一个对象，我们返回更新后的图像；否则，我们进行递归调用。

从对应于对象的单个像素开始，调用 find.contiguous 将扩大区域以包含对象的所有像素并返回更新后的图像，其中对象被背景替换.然后可以在循环中重复此过程，直到图像中不再有物体，因此能够生成计数。

为了说明，我假设您的二进制图像是一个名为 img 的 matrix:

## set the background pixel value
bg <- 0
## set the object pixel value
obj <- 1

## pad image so that the edge is background, this is necessary because 
## the neighborhood generated in find.contiguous must lie strictly within 
## the image
tmp <- matrix(bg,nrow=nrow(img)+2,ncol=ncol(img)+2)
tmp[2:(nrow(img)+1),2:(ncol(img)+1)] <- img
img <- tmp

## initialize the count to zero
count <- 0
## get all pixel coordinates that are objects
x <- which(img==obj, arr.ind=TRUE)
## loop until there are no more pixels that are objects
while (length(x) > 0) {
  ## choose a single (e.g., first) pixel location. This belongs to the current
  ## object that we will grow and remove from the image using find.contiguous
  if (length(x) > 2) {
    x <- x[1,]
  }
  ## increment the count
  count <- count + 1
  ## make the call to remove the object from img
  img <- find.contiguous(img, x, bg)
  ## find the remaining pixel locations belonging to objects
  x <- which(img==obj, arr.ind=TRUE)
}

您的答案在 count 中。在来自上一个链接的样本数据上运行:

img <- as.matrix(read.table(text="
0  0  0  0  0  1  1  1  0  0 
0  1  0  1  0  0  1  1  0  0
0  1  1  1  0  0  0  0  0  0
0  0  0  0  0  0  0  0  0  1
0  0  0  0  0  0  0  0  1  1
0  0  1  1  1  1  0  0  1  1", header=FALSE))

我们得到:

print(paste("number of objects: ",count))
##[1] "number of objects:  4"