圓心定位

一樣該import 的先import:

%matplotlib notebook

from PIL import Image

import matplotlib.pyplot as plt

import matplotlib.image as mpimg

import numpy as np

from matplotlib import gridspec

from scipy import ndimage

from skimage import measure

import skimage

以我專案碰的問題，來做處理： 因為過曝 所以不用再做filter處理

img = mpimg.imread('circleCenter.png') # float32

pp= skimage.img_as_float(img)          # 轉 float64 ,(720, 1280, 4) ; signal range:0~1

# pp2= skimage.img_as_ubyte(pp)        # 轉u8-bit int ; signal range: 0~255

# print pp2.dtype

# 過曝寫法

gamma= 1000

mag_signal =100

itest= (pp)

img2 = (itest)**gamma                 # 因為曝光，拉高對比度 所以乘以1000次方

img2[0:100,:,:]=0                    # 上面0~100 設為全黑

img2[600:720,:,:]=0                 # 下面600~720 設為全黑

l = img2[:,:,0]*mag_signal         # [x,y,channel] channel:0,1,2

plt.imshow(l,'gray')

mod= 'mirror'                     # sobel 參數設定

sx = ndimage.sobel(l, axis=0, mode=mod)

sy = ndimage.sobel(l, axis=1, mode=mod)

sob = np.hypot(sx, sy)

# plt.figure(figsize=(8,6))

# plt.imshow(sob,cmap='gray')

contours = measure.find_contours(sob, 100)    # find countour

x_axis_data=[]

y_axis_data=[]

# 將找到輪廓的x,y座標存起來，裡面的每個array代表該輪廓的所有位置，x表示x所有位置，y表示y所有位置

for n, contour in enumerate(contours):    

  #plt.plot(contour[:, 1], contour[:, 0], linewidth=2)

  x_axis_data= x_axis_data+ [contour[:, 1]]

  y_axis_data= y_axis_data+ [contour[:, 0]]

# 設定輪廓大小，假定x輪廓位置總數>500 才列入要找的輪廓,也才接近正圓，因為目前專案圓周大小約2*3.14*60 

x_wanted =[]    

for i in range(len(x_axis_data)):

  if len(x_axis_data[i])>500 and len(x_axis_data[i])<1000 :

  x_wanted= x_wanted+[x_axis_data[i]]

y_wanted =[]

for i in range(len(y_axis_data)):

  if len(y_axis_data[i])>500 and len(x_axis_data[i])<1000:

  y_wanted= y_wanted+[y_axis_data[i]]

# 將找到的正圓輪廓找到圓心

x_center=[]

for i,label in enumerate(x_wanted):

  tempx= np.mean(x_wanted[i])

  x_center= x_center +[tempx]

y_center=[]

for i,label in enumerate(y_wanted):

  tempy= np.mean(y_wanted[i])

  y_center= y_center +[tempy]

# 因為找到的正圓輪廓可能大於三個，所以圓心也大於三個，於是要篩選：  

if len(x_center)>3:

  xc =[]

  xj,xi=[],[]

  for i in range(len(x_center)-1):

  for j in range(-i+len(x_center)):

  # 如果圓心的x距離相差<50 且抽取的兩個樣本不同：

  if abs(x_center[j+i]-x_center[i])<50 and x_center[j+i]!=x_center[i]:

  xcc= (x_center[j+i]+x_center[i])/2

  xj= xj+[x_center[j+i]]

  xi= xi+[x_center[i]]

  xc= xc+[xcc]

  # 依照x找到的位置去找對應的y的位置

  yc =[]

  for i in range(len(xj)):

  ycc=(y_center[x_center.index(xj[i])]+y_center[x_center.index(xi[i])])/2

  yc= yc+[ycc]

  plt.figure(figsize=(8,6))

  plt.imshow(img)

  for gg in range(len(xj)):

  plt.scatter(xc[gg],yc[gg],marker= '*',c='r',s= 20)  

# 若沒到三個輪廓 或剛好，依樣顯示出來，不過有可能會沒定位到，可以先看圖再修正 曝光參數或輪廓邊界參數

else:

  plt.figure(figsize=(8,6))

  plt.imshow(img)

  for gg in range(len(x_center)):

  plt.scatter(x_center[gg],y_center[gg],marker= '*',c='r',s= 20)    

plt.show()

結果圖：

之前嘗試：

• 想說findcontour找到的輪廓大多不是正確的，覺得分區塊做篩選又太不智能

所以嘗試了histogram解法，以及直接把照片的pixel轉成list 然後遍歷去找值為1的位置然後統計數量 最高的即為需求點。 不過兩者共通的毛病都是 運算量大導致運算速度過慢 最後放棄，仍然以findcontour為主，只是後來篩選方式就如我上面的原始碼依樣，設立圓周邊界需求，然後兩兩比較。

下面是之前嘗試的解法，雖然不實用但還是做些紀錄：

img = mpimg.imread('circleCenter2.png') # float32

pp= skimage.img_as_float(img) # 轉 float64 ,(720, 1280, 4) ; signal range:0~1

# pp2= skimage.img_as_ubyte(pp) # 轉u8-bit int ; signal range: 0~255

# print pp2.dtype

gamma= 100

mag_signal =50

itest= (pp)

img2 = (itest)**gamma

img2[0:100,:,:]=0

img2[600:720,:,:]=0

l = img2[:,:,0] # [x,y,channel] channel:0,1,2

#plt.imshow(l,'gray')

plt.figure()

aspectRatio = 6

gs = gridspec.GridSpec(aspectRatio,aspectRatio)

ax1 = plt.subplot(gs[0,:-1])

ax2 = plt.subplot(gs[1:,:-1])

ax3 = plt.subplot(gs[1:,-1])

plt.subplots_adjust(wspace=0.02, hspace=0.02)

tp=[]

xl=np.ravel(l)

for i in range (len(np.ravel(l))):

  if xl[i]>0.5:

  if i<1280:

  i=i

  else:

  i=(i%1280)

  tp= tp+[i]

ax1.hist(tp, bins= 40, ec='green', fc='none', histtype='bar')

ax2.imshow(l,'gray')

#ax3.hist(y, bins =360, ec='green', fc='none', histtype='step', orientation='horizontal')

結果圖：

img = mpimg.imread('circleCenter2.png') # float32

pp= skimage.img_as_float(img) # 轉 float64 ,(720, 1280, 4) ; signal range:0~1

# pp2= skimage.img_as_ubyte(pp) # 轉u8-bit int ; signal range: 0~255

# print pp2.dtype

gamma= 100

mag_signal =50

itest= (pp)

img2 = (itest)**gamma

img2[0:100,:,:]=0

img2[600:720,:,:]=0

l = img2[:,:,0]*mag_signal # [x,y,channel] channel:0,1,2

#plt.imshow(l,'gray')

plt.figure()

aspectRatio = 6

gs = gridspec.GridSpec(aspectRatio,aspectRatio)

ax1 = plt.subplot(gs[0,:-1])

ax2 = plt.subplot(gs[1:,:-1])

ax3 = plt.subplot(gs[1:,-1])

plt.subplots_adjust(wspace=0.02, hspace=0.02)

binSize = 2

x1= np.arange(1280)

x=[]

for _ in range(720):

  x= (np.append(x,x1))

y= np.ravel(l)

y1= np.arange(720)

yy=[]

for _ in range(1280):

  yy= (np.append(yy,y1))

xx= np.ravel(l.T)

ax1.plot(x,y,lw=0.01,alpha=0.5,c='k')

ax2.imshow(l,'gray')

ax3.plot(xx,yy,lw=0.01,alpha=0.5,c='k')

這封郵件來自 Evernote。Evernote 是您專屬的工作空間，免費下載 Evernote