Извлечение черных объектов из цветного фона

Я бы преобразовал изображение в цветовое пространство HSV, а затем использовал канал значений. Это в основном разделяет информацию о цвете и яркости.

Это изображение 50% cyan

затем вы можете просто сделать простой порог, чтобы изолировать точки.

Я просто сделал это очень быстро и я уверен, что вы могли бы получить лучшие результаты. Возможно, найти Контуры на изображении, а затем удалить любые контуры с небольшой площадью, фильтровать любой оставшийся шум.

спасибо всем за публикацию его ответа! После некоторого поиска и попытки я также придумал адаптивный метод извлечения этих черных точек из цветного фона. Кажется, что учитывая только яркость не смогла разрешить проблему совершенно. Поэтому Натанметод, который вычисляет и анализирует гистограмму RGB, является более надежным. К сожалению, я все еще не могу получить надежный порог для извлечения черных точек в других цветовых образцах, потому что вещи становятся все более и более непредсказуемыми, когда мы добавляем более глубокий цвет (например, Cyan > 60) или смешиваем два цвета вместе (например, Cyan = 50, Magenta = 50).

однажды я google "извлечь цвет" и извлечение цвета TinEye и цвета вора вдохновляют меня. Оба они очень крутое приложение, и изображение, обработанное бывшим веб-сайтом, именно то, что я хочу. Поэтому я решаю реализовать подобный материал самостоятельно. Алгоритм я использовал здесь k-средних кластеризации. И некоторые другие связанные ключевые слова для поиска могут быть color palette, color quantation и getting dominant color.

я сначала применяю гауссовский фильтр для сглаживания изображения.

GaussianBlur(img, img, Size(5, 5), 0, 0);

OpenCV поддерживает kmeans функция и она экономит мне много времени на кодировании. Я изменяю код.

// Input data should be float32 
Mat samples(img.rows * img.cols, 3, CV_32F);
for (int i = 0; i < img.rows; i++) {
    for (int j = 0; j < img.cols; j++) {
        for (int z = 0; z < 3; z++) {
            samples.at<float>(i + j * img.rows, z) = img.at<Vec3b>(i, j)[z];
        }
    }
}

// Select the number of clusters
int clusterCount = 4;
Mat labels;
int attempts = 1;
Mat centers;
kmeans(samples, clusterCount, labels, TermCriteria(CV_TERMCRIT_ITER|CV_TERMCRIT_EPS, 10, 0.1), attempts, KMEANS_PP_CENTERS, centers);

// Draw clustered result
Mat cluster(img.size(), img.type());
for (int i = 0; i < img.rows; i++) {
     for(int j = 0; j < img.cols; j++) { 
        int cluster_idx = labels.at<int>(i + j * img.rows, 0);
        cluster.at<Vec3b>(i, j)[0] = centers.at<float>(cluster_idx, 0);
        cluster.at<Vec3b>(i, j)[1] = centers.at<float>(cluster_idx, 1);
        cluster.at<Vec3b>(i, j)[2] = centers.at<float>(cluster_idx, 2);
    }
}
imshow("clustered image", cluster); 
// Check centers' RGB value
cout << centers;

после кластеризации я преобразую результат в оттенки серого и нахожу самый темный цвет, который, скорее всего, будет цвет черных точек.

// Find the minimum value
cvtColor(cluster, cluster, CV_RGB2GRAY);
Mat dot = Mat::zeros(img.size(), CV_8UC1);
cluster.copyTo(dot);
int minVal = (int)dot.at<uchar>(dot.cols / 2, dot.rows / 2);
for (int i = 0; i < dot.rows; i += 3) {
    for (int j = 0; j < dot.cols; j += 3) {
        if ((int)dot.at<uchar>(i, j) < minVal) {
            minVal = (int)dot.at<uchar>(i, j);
        }
    }
}
inRange(dot, minVal - 5 , minVal + 5, dot);
imshow("dot", dot);

давайте проверим два изображения.

(clusterCount = 4)

(clusterCount = 5)

один недостаток кластеризации k-средних-один фиксированный clusterCount не может быть применен к каждому изображению. Также кластеризация не так быстра для больших изображений. Это вопрос меня это очень раздражает. Мой грязный метод для лучшей производительности в реальном времени (на iPhone) - обрезать 1/16 изображения и кластеризировать меньшую площадь. Затем сравните все пиксели исходного изображения с каждым центром кластера и выберите пиксель, ближайший к "черному" цвету. Я просто вычислить евклидово расстояние между двумя цветами RGB.

простой метод-просто порог всех пикселей. Вот эта идея, выраженная в псевдокоде.

for each pixel in image
    if brightness < THRESHOLD
        pixel = BLACK
    else
        pixel = WHITE

или если вы всегда имеете дело с голубым, пурпурным и желтым фоном, то, возможно, вы можете получить лучшие результаты с критериями

if pixel.r < THRESHOLD and pixel.g < THRESHOLD and pixel.b < THRESHOLD

этот метод даст хорошие результаты только для простых изображений, где ничего, кроме черных точек, слишком темно.

вы можете поэкспериментировать со значением порога, чтобы найти хорошее значение для вашего изображения.

Я предлагаю преобразовать в цветовое пространство на основе цветности, например LCH, и отрегулируйте одновременные пороги на легковесности и chroma. Вот маска результата для L

Похоже, вам нужны адаптивные пороги, так как разные значения лучше всего работают для разных областей изображения.

вы также можете использовать HSV или HSL в качестве цветового пространства, но они менее однородны, чем LCH, полученные из Лаборатория.