introduction

La dernière fois, la recherche sélective a été utilisée pour détecter des objets dans l'image du plat de steaks. Bien que la précision se soit améliorée, j'ai remarqué que sur environ 50 images, elles sont classées en environ 3 types: images en forme de poussière, la même image (position de recadrage légèrement différente) et les images d'objets nécessaires. .. Cette fois, j'essaierai de voir si je ne peux en sélectionner que les images d'objets nécessaires.

hypothèse

Une image avec un grand nombre de chevauchements n'est-elle pas nécessaire lors de l'extraction d'un objet d'une image? Cependant, en réalité, il est possible d'exclure la partie enfant rectangulaire de la relation parent-enfant.

Que dit ce gars

Lors de la détection d'un objet à partir d'une image, il est extrait sous forme de rectangle, mais la partie où les rectangles sont mélangés est appelée chevauchement. La partie rouge de l'image ci-dessous.

Source de référence

(Fun hit judgement course 1-Hit jugement entre rectangles (débutant) -) [http://d.hatena.ne.jp/ono36/20070718/p1]

Code source

Je l'ai écrit pour le moment.

`group_image`


# -*- coding: utf-8 -*-

import cv2
import matplotlib.pyplot as plt
import matplotlib.patches as mpatches
import selectivesearch
import os

def main():
    # loading lena image
    img = cv2.imread("{Image de repas de jeu de steak}")

    # perform selective search
    img_lbl, regions = selectivesearch.selective_search(
        img,
        scale=500,
        sigma=0.9,
        min_size=10
    )

    candidates = set()

    for r in regions:
        # excluding same rectangle (with different segments)
        if r['rect'] in candidates:
            continue

        # excluding regions smaller than 2000 pixels
        if r['size'] < 2000:
            continue

        # distorted rects
        x, y, w, h = r['rect']

        if w / h > 1.2 or h / w > 1.2:
            continue

        candidates.add(r['rect'])

    # draw rectangles on the original image
    fig, ax = plt.subplots(ncols=1, nrows=1, figsize=(6, 6))
    ax.imshow(img)

    overlaps = {}

    #Comptez le nombre de chevauchements et attribuez-les au tableau.
    for x, y, w, h in candidates:
        group = '%s_%s_%s_%s' % (x, y, w, h)

        for x2, y2, w2, h2 in candidates:
            if x2 - w < x < x2 + w2 and y2 - h < y < y2 + h2:

                if not group in overlaps:
                    overlaps[group] = 0

                overlaps[group] = overlaps[group] + 1

    print overlaps

    #Sort les fichiers avec 30 chevauchements ou plus (30 est défini arbitrairement comme un seuil).
    for key, overlap in enumerate(overlaps):
        if overlap > 30:
            for x, y, w, h in candidates:
                group = x + y + w + h

                if group in overlaps:
                    cv2.imwrite("{Chemin du répertoire}" + str(group) + '.jpg', img[y:y + h, x:x + w])

Supplément

--Objet Détermine s'il chevauche l'image détectée.

if x2 - w < x < x2 + w2 and y2 - h < y < y2 + h2:

Seuls les résultats d'extraction avec 30 chevauchements ou plus sont enregistrés en tant qu'images.

résultat

(Original) 50 feuilles → 36 feuilles

Environ 30% des images du plat de steaks ont été supprimées.

De plus, 5 types d'images d'objets de précédent sont restés.

Résumé

――Cette fois, comme il n'y a qu'un seul type d'image de vérification, nous avons effectué quelques ajustements et jugements de résultats, donc si vous essayez avec d'autres images, vous pouvez obtenir des résultats différents. ――La prochaine fois, j'aimerais faire quelque chose comme le clustering.

J'ai essayé de trier les objets de l'image du plat de steak-② Tri des numéros de chevauchement