https://github.com/andy-messer/opencv-search-gradient-img
Анализ объектов на картинке, в частности поиск прямоугольных градиентных участков.
https://github.com/andy-messer/opencv-search-gradient-img
laplace opencv python3 scharr sobel
Last synced: about 1 month ago
JSON representation
Анализ объектов на картинке, в частности поиск прямоугольных градиентных участков.
- Host: GitHub
- URL: https://github.com/andy-messer/opencv-search-gradient-img
- Owner: Andy-Messer
- Created: 2022-03-31T06:48:23.000Z (about 4 years ago)
- Default Branch: main
- Last Pushed: 2022-06-20T14:56:50.000Z (almost 4 years ago)
- Last Synced: 2025-04-09T23:45:26.429Z (about 1 year ago)
- Topics: laplace, opencv, python3, scharr, sobel
- Language: Python
- Homepage:
- Size: 8.79 KB
- Stars: 1
- Watchers: 1
- Forks: 0
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# OpenCV-search-gradient-img
Анализ объектов на картинке, в частности поиск прямоугольных градиентных участков.
## Алгоритмы:
- Поиска нулевой подматрицы наибольшего размера
> Цель: Найти подматрицу быстрее, чем за O(n*m^2).
>
> Идея: Будем расширять область, ограниченную единицами.
>
> Реализация: Первым делом выставляем дефолтные значения на границы up, left, right.
>
> Далее будем перебирать строки и для каждого столбца определять границы по бокам и сверху.
> Для подчета маски сверху воспользуемся генератором, который выставляет ограничение.
```python
up = [i if matrix[i][j] == 1 else up[j] for j in range(m)]
```
> Вычисляем левую границу:
```python
st = []
for j in range(m):
st = find_barrier(st)
left[j] = -1 if not st else st[-1]
st.append(j)
```
> Аналогично вычислем правую:
```python
st = []
for j in range(m - 1, -1, -1):
st = find_barrier(st)
right[j] = m if not st else st[-1]
st.append(j)
```
> Посчитываем площадь, обновляем ответ, если выгодно:
```python
for j in range(m):
new_area = (i - up[j]) * (right[j] - left[j] - 1)
if area < new_area:
area = new_area
coordinates_y = [up[j] + 1, i]
coordinates_x = [left[j] + 1, right[j] - 1]
```
> Т.к. мы перебирали строки и столбцы, ассимптотика не вышла за О(n*m).
- Алгоритмы фильтрации, привязанные к расчету производных по цвету пикселя.
- filter Laplace: https://www.sciencedirect.com/topics/engineering/laplacian-filter
- filter Sobel: https://fiveko.com/sobel-filter/
- filter Scharr: https://plantcv.readthedocs.io/en/v3.0.5/scharr_filter/
## Запуск
```
./python gradient_tracker.py
```
## Настройка
В config.json, вид которого такой:
```json
{
"cfg_grad":
{
"filter" : "laplace",
"color_density" : 5
}
}
```
- Сделайте выбор в пользу Вашего любимого алгоритма фильтрации ('laplace', 'sobel', 'scharr').
- Поберите процент (color_density), при котором точность фильтрации будет наибольшей. Процент - целое число от 0 до 100.